Retention and Engagement in Culturally Adapted Digital Mental Health Interventions: Systematic Review of Dropout, Attrition, and Adherence in Non-Western, Educated, Industrialized, Rich, Democratic Settings
Notice bibliographique
Résumé
Background: Digital mental health interventions (DMHIs) offer scalable and cost-effective support for mental health but are predominantly developed in WEIRD (western, educated, industrialized, rich, democratic) contexts, raising questions about their global applicability. Dropout, attrition, and adherence rates critically influence DMHI effectiveness yet remain poorly characterized in culturally adapted formats. Objective: This systematic review aimed to (1) synthesize evidence on dropout, attrition, and adherence in culturally adapted DMHIs delivered to non-WEIRD adult populations and (2) assess the methodological quality of the included studies. Methods: PsycINFO, PubMed, and ScienceDirect were systematically searched for randomized controlled trials published in English between January 2014 and April 2024. Screening and data extraction followed PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) guidelines, and methodological quality was evaluated using the Appraisal Tool for Cross-Sectional Studies tool. Extracted variables included dropout, attrition, adherence, adaptation techniques, and clinical outcomes. Results: Twenty-three randomized controlled trials (n=4656) from diverse regions met inclusion criteria. Attrition ranged from 5.3% to 87% (median 18.4%), dropout from 0% to 66% (median 18.7%), and adherence from 26.3% to 100% (median 71%). Deep, participatory adaptations-such as language translation combined with culturally resonant content, stakeholder engagement, and iterative refinement-were consistently associated with lower dropout (<11%) and higher adherence (>75%). In contrast, surface-level adaptations (eg, translation only) showed higher dropout (up to 56%). Studies that incorporated both cultural tailoring and human support reported the most favorable engagement and clinical outcomes (eg, reductions in insomnia, depression, and anxiety). Most studies (91%) were rated as "Good" quality, although some lacked representative sampling or objective engagement metrics. Conclusions: Comprehensive and participatory cultural adaptation is associated with engagement and effectiveness of DMHIs among non-WEIRD populations. Future research should integrate hybrid human-digital delivery models, objective engagement metrics, and larger multicenter trials to improve generalizability and scalability.
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 | 0,040 | 0,130 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,015 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».