Usability Evaluation of Digital Health Applications for Older People With Depressive Disorders: Prospective Observational Study in a Mixed Methods Design
Notice bibliographique
Résumé
Background: Digital health applications (DiGA) have been integrated into Germany's health care system since 2019, offering certified medical devices for various health conditions. This study focuses on deprexis and Selfapy, the first 2 permanently approved DiGA for depressive disorders in Germany, to evaluate their usability for people ≥60 years. The study's significance is underscored by the underrepresentation of older people in previous DiGA studies, accompanied by an emergent risk of inequalities in distribution for this vulnerable population. Objective: This study assessed the usability of DiGA deprexis and Selfapy for adults aged ≥60 years with mild to moderate depression. The more user-friendly option will be chosen for the DiGA4Aged project's upcoming randomized controlled trial. Methods: The prospective observational study uses the People at the Centre of Mobile Application Development (PACMAD) usability model in a mixed methods design. The study's multistage data collection encompasses sociodemographic data and quantitative questionnaires about health literacy (European Health Literacy Survey Questionnaire [HLS-EU-Q16]), electronic health literacy (revised German eHealth Literacy Scale [GR-eHEALS]), media affinity, depressive symptoms (9-item Patient Health Questionnaire [PHQ-9]), and perceived usability (System Usability Scale [SUS]), as well as a qualitative think-aloud and semistructured interview. Participants were equally allocated to use either deprexis or Selfapy. Recruitment of 18 participants was conducted at 3 hospital departments (ie, psychiatry, psychosomatics, and geriatrics) in spring 2024. Participants were eligible if they were aged ≥60 years, were diagnosed with mild or moderate depressive disorder, owned a digital device, and gave written consent to participate. Results: Quantitative analysis revealed age, gender, depressive severity, and health literacy parity between both groups. Selfapy users displayed marginally lower technical proficiency and lower usability scores. Qualitative data showed lower usability among participants in the Selfapy group due to design-related errors and higher cognitive load. Despite visual, psychomotor, and cognitive challenges, participants endorsed both DiGA for older users, stressing the importance of assistance and practicing the usage. Conclusions: Reported difficulties in usability may help to improve future DiGA development for older people, especially as the willingness to use DiGA exists.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».