The Safety of Digital Mental Health Interventions: Findings and Recommendations From a Qualitative Study Exploring Users’ Experiences, Concerns, and Suggestions
Notice bibliographique
Résumé
BACKGROUND: The literature around the safety of digital mental health interventions (DMHIs) is growing. However, the user/patient perspective is still absent from it. Understanding the user/patient perspective can ensure that professionals address issues that are significant to users/patients and help direct future research in the field. OBJECTIVE: This qualitative study aims to explore DMHI users' experiences, views, concerns, and suggestions regarding the safety of DMHIs. METHODS: We included individuals aged 18 years old or older, having experience in using a DMHI, and can speak and understand English without the need for a translator. Fifteen individual interviews were conducted. Deductive thematic analysis was used to analyze the data. RESULTS: The analysis of the interview transcripts yielded 3 main themes: Nonresponse: A Concern, a Risk, and How Users Mitigate It, Symptom Deterioration and Its Management, and Concerns Around Data Privacy and How to Mitigate Them. CONCLUSIONS: The results of this study led to 7 recommendations on how the safety of DMHIs can be improved: provide "easy access" versions of key information, use "approved by..." badges, anticipate and support deterioration, provide real-time feedback, acknowledge the lack of personalization, responsibly manage access, and provide genuine crisis support. These recommendations arose from users' experiences and suggestions. If implemented, these recommendations can improve the safety of DMHIs and enhance users' experience.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».