Perceptions and experiences of patients, caregivers, and clinicians on using digital phenotyping measures for outcome prediction in first episode of psychosis (FEP): A qualitative study
Notice bibliographique
Résumé
Background : Predicting outcomes in first-episode psychosis (FEP) is critical for tailoring interventions. Digital phenotyping, the real-time collection of high-resolution data through mobile and wearable devices, has emerged as a promising method to improve mental health assessment and prognostic prediction. Objective : To explore the experiences and perspectives of patients, caregivers, and clinicians on using digital phenotyping for outcome prediction in FEP. Method : This qualitative study is part of a mixed-methods longitudinal project. Patients with FEP (aged 12–35) were recruited from the Early Psychosis Intervention Nova Scotia (EPINS) program (N = 40) and completed a six-day digital phenotyping assessment involving ecological momentary assessment (EMA) via smartphone and passive monitoring using wearable devices. Semi-structured interviews were then conducted with a random sample of 19 patients, 6 caregivers, and 6 clinicians and analyzed thematically following Braun and Clarke’s six-step framework. Results : Three themes emerged: (1) experiences and attitudes; (2) perceived value; and (3) barriers and concerns. Patients and caregivers generally reported positive experiences, highlighting benefits such as increased self-awareness and motivation for physical activities. Barriers included practical burden, psychological risks, technical and accessibility challenges, prediction validity, and data privacy. Conclusion : Digital phenotyping is generally acceptable and feasible in FEP, but concerns need to be considered in future applications.
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 | 0,012 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,007 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».