MétaCan
Menu
← Retour à la cohorte
Enregistrement W4417297457 · doi:10.2196/73512

Effectiveness of Internet-Based Cognitive Behavioral Therapy for Depressive Symptoms During Pregnancy by Using Real-World Data: Retrospective Cohort Study

2025· article· en· W4417297457 sur OpenAlexvenueno aff
Asuka Takae, Natsu Sasaki, Kotaro Imamura, Daisuke Nishi

Notice bibliographique

RevueJMIR mhealth and uhealth · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueMaternal Mental Health During Pregnancy and Postpartum
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRetrospective cohort studyDepressive symptomsPregnancyDepression (economics)Cognitive behavioral therapymHealthCohort studyCognition

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Approximately 1 out of 5 pregnant women develops depression. Internet-based cognitive behavioral therapy (iCBT) is an effective way to treat not only depression but also mild depressive symptoms or subthreshold depression. While numerous iCBT programs have been developed and tested through randomized controlled trials for various mental health conditions and specific populations, research on their effectiveness and application in the real world remains limited. OBJECTIVE: This study aimed to examine the effectiveness of a previously developed iCBT program implemented in an existing app for improving depressive symptoms among pregnant women in a real-world setting. METHODS: The previously developed iCBT program for preventing perinatal depression was already implemented in an existing app called Luna Luna Baby by MTI Ltd. The app aims to provide information to pregnant women about pregnancy and babies, and potential users can download it from the Japanese version of the Apple App Store or Google Play Store without any fee. The program does not require any additional fees. The log data stored on the app identified iCBT program users and nonusers, allowing us to conduct this retrospective cohort study. Data from September 2022 to September 2024 were extracted from the app after anonymous processing. The primary outcome was the score on the self-reported Edinburgh Postnatal Depression Scale (EPDS), which participants answer by themselves on the app. The exposure group was defined as completers of all 6 modules of the iCBT program. The nonexposure group was defined as users who did not use any module of the program and matched the baseline characteristics of the exposure group. The change in EPDS score before and after using the program was compared using effect sizes, and repeated 2-way ANOVA was conducted to test the difference between the exposure and nonexposure groups. RESULTS: Data from 119 women who completed the iCBT program and 448 pair-matched controls were selected. The average EPDS scores at baseline were 7.24 (SD 5.30) in the exposure group and 7.25 (SD 5.18) in the nonexposure group. After using the iCBT program, the group mean EPDS scores changed by -0.69 (SD 4.92) and +0.99 (SD 5.56) over time in the exposure and nonexposure groups, respectively (Cohen d=0.31, 95% CI 0.11-0.51). The repeated 2-way ANOVA showed statistical significance in the interaction terms between the groups and the measurement time points (P=.04). CONCLUSIONS: The previously developed iCBT program showed a significant effect with a modest effect size on decreasing depressive symptoms among pregnant women in a real-world setting. Future research should attempt to minimize dropouts and increase participation in the program.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,011
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,434
Écart entre enseignants0,376 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealth→Même sujetMaternal Mental Health During Pregnancy and Postpartum→Travaux en français237 207→