Harnessing digital health data for suicide prevention and care: A rapid review
Notice bibliographique
Résumé
Background and aim: Suicide is a global public health issue disproportionately impacting equity-deserving groups. Recent advances in Artificial Intelligence and increased access to a variety of digital data sources have enabled the development of novel and personalized suicide prevention strategies. However, standards on how to harness these data in a comprehensive and equitable way remain unclear. The primary aim of this study is to identify considerations for the collection and use of digital health data for suicide prevention and care. The results will inform the development of a data governance framework for a multinational suicide prevention mHealth platform. Method: We used a modified Cochrane Rapid Reviews Method. Inclusion criteria focused on primary studies published in English from 2007 to the present that referenced the use of digital health data in the context of suicide prevention and care. Screening and data extraction was performed independently by multiple reviewers, with disagreements resolved through discussion. Qualitative and quantitative synthesis methods were employed to identify emergent themes. Results: Our search identified 2453 potential articles, with 70 meeting inclusion criteria. We found little consensus on best practices for the collection and use of digital health data for suicide prevention and care. Issues of data quality, fairness and equity persist, compounded by inadequate consideration of key governance issues including privacy and trust, especially in multinational initiatives. Conclusions: Recommendations for future research and practice include prioritizing engagement with knowledge users, establishing robust data governance frameworks aligned with clinical guidelines, and leveraging advanced analytics, such as natural language processing, to improve the quality of health equity data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,034 | 0,123 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,027 | 0,020 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,011 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».