Requirements and Concerns of Individuals Remitted From Depression for an Early Relapse Detection mHealth App: Focus Group Study
Notice bibliographique
Résumé
BACKGROUND: Major depressive disorder is often a recurrent condition, with a high risk of relapse for individuals remitted from depression. Early detection of relapse is critical to improve clinical outcomes. Mobile health (mHealth) technologies offer new opportunities for real-time monitoring and prevention of relapse, if the user requirements of the target population are effectively implemented. OBJECTIVE: This study investigated the requirements and concerns of individuals remitted from depression for an mHealth app aimed at monitoring depressive symptoms and detecting early signs of relapse through integrating both active ecological momentary assessment data and passive data from the user's smartphone and smartwatch. METHODS: Three focus group discussions were conducted with 17 participants remitted from depression. Before the focus group, participants had gained some experience with an in-house designed ecological momentary assessment monitoring app, prompting questions regarding their mood multiple times throughout the day. During the focus groups, feedback and insights were gathered on participants' expectations, requirements, concerns, and attitudes toward a depression monitoring app. A thematic analysis was performed to identify recurring themes and subthemes, shedding light on the desired user experience and functionalities. RESULTS: We identified 5 main themes. Participants highlighted (1) a need for customization settings, particularly in terms of data collection and sharing, and frequency of self-assessments. They also valued (2) positivity in the app's design through positive reinforcement and journaling features. Additionally, participants emphasized (3) interventions to be the main motivator for adoption and long-term usage. More specifically, they wanted the app to foster self-awareness, self-reflection, and insights, and to offer support during deteriorations in mental health. Furthermore, participants deemed (4) transparency in data use and machine learning predictions to be essential for building trust. Participants required these functionalities to bear (5) the user burdens of self-monitoring. Key concerns were for passive monitoring to cause a privacy burden and for active monitoring to raise an emotional burden. CONCLUSIONS: Considering the vulnerability of potential users, the design of an mHealth app for early depression relapse detection should be guided by user preferences and approached with caution. Requirements for customization, positivity, interventions, and transparency must be addressed, while minimizing both the emotional and privacy burden. Future iterations should implement these findings to improve and test the app's acceptability, adoption, and usability for clinical use.
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 | 0,006 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».