Digital Mental Health Coaching in Clinically Diverse Populations: Controlled Engagement and Outcomes Study
Notice bibliographique
Résumé
Background: Digital coaching programs, offering virtually delivered mental health care by coaches and companion apps, are an increasingly popular care model designed to increase accessibility and reduce strain on traditional mental health care systems. Initial studies suggest these programs can produce a range of positive mental health outcomes; however, methodological limitations and a focus on homogeneous, subclinical populations have constrained conclusions about their effectiveness, especially in diverse and clinically severe samples. Objective: This study aimed to evaluate the impact of an evidence-based digital mental health coaching program in a clinically and demographically diverse sample. The study compared engagement with app-based content and changes in depression, anxiety, and stress symptoms, over the course of 1 month, among users who received coaching versus those who used the app alone (controls). Methods: Program users (N=64) were categorized as coaching users (attending at least 1 session) or controls (app-only users). Depression, anxiety, and stress symptoms were assessed using the Depression Anxiety Stress Scale-21 at baseline and after 30 days. Engagement with app content was also measured. Between-group differences were analyzed using t tests and mixed multivariate analysis of covariance models, with follow-up sensitivity analysis of covariance analyses (controlling for age). Results: Participants were diverse in terms of demographics and clinical severity, with half reporting severe to extremely severe depression and nearly half reporting severe to extremely severe anxiety or stress at baseline. A repeated-measures multivariate analysis of covariance revealed a significant group-by-time interaction (P=.02), indicating greater symptom reduction among coaching users, primarily driven by changes in anxiety and stress. Follow-up analyses of covariance exploring symptom-specific patterns, excluding participants with subclinical baseline symptoms, yielded significant group-by-time interactions across depression (P=.04), anxiety (P=.003), and stress (P=.03). Engagement with app-based content did not significantly differ between the groups (P=.20), suggesting coaching's effectiveness was not contingent on differential app usage. Conclusions: This study demonstrates that digital mental health coaching can significantly improve clinical outcomes, even in diverse and clinically severe populations. These findings challenge the notion that coaching is only effective for subclinical or high-functioning individuals and highlight its potential to extend the reach of mental health care to underserved communities.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| 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) | 0,005 | 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 ».