Do pain management apps use evidence-based psychological components? A systematic review of app content and quality
Notice bibliographique
Résumé
With hundreds of pain management apps on the Canadian marketplace, it can be challenging for patients and clinicians to select effective and evidence-based mobile health (mHealth) apps that address pain from a biopsychosocial perspective. The aim of this study is to identify pain management apps within the Canadian app marketplaces to aid clinicians in recommending apps. The iOS and Android marketplaces were systematically searched to identify pain management apps that included at least one core component of cognitive behavioral therapy (CBT) or mindfulness- and acceptance-based therapies. Selected apps were assessed using a researcher developed psychological components checklist, and the Mobile App Rating Scale (MARS). These two measures provided a robust assessment of the apps’ technical abilities and psychological principles being implemented. Five hundred eight pain management apps were identified, yet only 12 included a psychological component and were available for evaluation. On average, apps contained 8.10 out of 18 psychological components (SD = 2.77) with a MARS quality rating of 4.02 out of 5 (SD = 0.32). The most common psychological components were grounded in CBT, including psychoeducation, sleep hygiene, behavioral activation, coping skills training, and social support. Among the least commonly included components were goal setting, values, and culture/diversity. Two-thirds of the apps involved health care practitioners in their development, but independent scientific review of apps was scarce. The highest scoring apps (Curable, Pathways, Vivify) are highlighted for health care practitioners who may wish to recommend mHealth technologies to their patients for pain management. Future directions for research and app development are discussed.
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 | 0,028 | 0,163 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,020 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».