Giving Back: Return of Results Reports Using Digital Phenotyping Tools in Mental Health
Notice bibliographique
Résumé
Abstract As digital phenotyping tools become more prevalent in mental health research and care, the question of how to meaningfully return data to participants, clinicians, and caregivers has grown increasingly important. Drawing from the broader DeeP-DD (Deep Phenotyping and Digitalization at the Douglas) project, this work presents the iterative development of individualized feedback reports focused on a psychiatric patient population. This paper also builds on findings from a narrative literature review to derive evidence-based practices around conveying data to participants. From the literature review, general themes such as patient engagement, visual design, ethical considerations and report content were extracted. Core design principles identified included visual simplicity, use of color, contextualized interpretation, and ethical considerations, which were compiled and helped guide the presentation of data gathered from participants in user-friendly formats. The reports created from these findings are based on both digital and clinical data, and their design was informed by key findings from the narrative review and developed through a participatory process involving patients, clinicians, and caregivers. Findings from early user feedback and existing literature suggest that well-designed reports can foster greater understanding, trust, and behavioral engagement in research and clinical care. The review also highlights important gaps, particularly in caregiver-focused communication, and discusses future directions including developing similar reports for both physicians and caregivers and the use of digital report platforms. By addressing both design and ethical considerations in a real-world setting, this work contributes to the field of return-of-results practices in psychiatric digital health.
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 | 0,179 | 0,424 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,003 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 ».