Feasibility of a Mental Health App Intervention for Emergency Service Workers and Volunteers: Single-Arm Pilot Study
Notice bibliographique
Résumé
Background: Emergency service workers are at an elevated risk for stressor-related mental health (MH) issues, such as anxiety, depression, and posttraumatic stress disorder. Barriers to help-seeking are widespread across this sector, necessitating interventions tailored to the unique needs of this population. Build Back Better is a smartphone-based intervention designed to provide evidence-based strategies for the prevention of anxiety, depression, and posttraumatic stress disorder among emergency service workers. Objective: This study aimed to evaluate the usability, acceptability, feasibility, and preliminary effectiveness of the Build Back Better app among emergency service workers. Methods: A single-group (N=67), 1-month pilot study assessing the impact of the Build Back Better app on MH outcomes, including general distress, anxiety, depression, and traumatic stress coping, was undertaken with emergency service workers. Participants completed baseline and 1-month follow-up assessments using the Kessler Psychological Distress Scale, 9-item Patient Health Questionnaire, 7-item Generalized Anxiety Disorder, World Health Organization Well-Being Index, and the Trauma Coping Self-Efficacy Scale. The app's usability and acceptability were also evaluated through participant feedback and usage data. Results: Of the 71 participants enrolled, 67 completed the baseline assessment and downloaded the app, with 33 participants providing follow-up data. The mean age of participants was 44.73 (SD 11.4) years, and 64% (n=43) were male. The majority of respondents rated the app quality as very high (n=27, 79%), felt that the app was easy to use (n=20, 61%), easily understood (n=18, 55%), improved their mental fitness (n=27, 80%), and would recommend the app to others (n=20, 61%). Encouraging trends toward improvement were found across symptom and well-being outcomes; however, these trends were not significant: general distress (t32=0.65, P=.52), depression (t32=0.75, P=.46), anxiety (t32=1.08, P=.29), or traumatic stress coping (t32=-0.27, P=.79), with effect sizes ≤0.2, likely due to the small sample size. Conclusions: The Build Back Better app demonstrated satisfactory levels of usability and acceptability. While the pilot study showed encouraging trends toward improved MH, further research with a larger sample size is needed to determine its efficacy. Participants furthermore suggested improvements in app navigation and content clarity, emphasizing the need for a more intuitive user experience. Given the positive feedback and improvement in MH outcomes, a larger-scale efficacy trial is warranted to further assess the app's potential for MH support in this high-risk population.
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 | 0,007 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».