The Cost-Effectiveness of Digitally Supported Mental Well-Being Prevention and Promotion Targeting Nonclinical Adult Populations: Systematic Review
Notice bibliographique
Résumé
Background: In recent years, policymakers worldwide have been increasingly concerned with promoting public mental well-being. While digitally supported well-being interventions seem effective in general nonclinical populations, their cost-effectiveness remains unclear. Objective: This study aims to systematically synthesize evidence on the cost-effectiveness of digitally supported mental well-being interventions targeting the general population or adults with subclinical mental health symptoms. Methods: PubMed, Embase, Scopus, and Web of Science were systematically searched for health economic or cost-minimization studies. Eligibility criteria included interventions in the general population or adults showing risk factors or subclinical mental health symptoms, with at least 1 digital component. Study quality was comprehensively assessed using the Consensus Health Economic Criteria list. Results: Of 3455 records identified after duplicate removal, 12 studies were included: 3 studies evaluated universal prevention, 3 investigated selective prevention, and 6 covered indicated prevention. Six studies applied a societal perspective. Incremental cost-utility ratios were reported in 6 of the included studies and varied from dominant to €18,710 (US $ 23,185) per quality-adjusted life year. In general, digitally supported well-being interventions in nonclinical adults, and particularly indicated prevention strategies, seemed to generate improved health outcomes at lower costs from a societal perspective. The quality appraisal highlighted several shortcomings of the available literature. Conclusions: Overall, the use of digital tools for mental well-being prevention and promotion in nonclinical adult populations has the potential to be cost-effective. Nevertheless, to adequately guide policymaking, more evidence is still needed. Future studies should ensure valid argumentation for the applied time horizon and perspective, alongside rigorous sensitivity analyses in accordance with best practices to improve cost-effectiveness evidence. Furthermore, assessment methods more sensitive to changes in well-being such as the EQ Health and Well-being instrument could be considered.
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 | 0,011 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,012 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 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 ».