Informations

Application de suivi d'humeur mobile longitudinale avec rappels aléatoires

Application de suivi d'humeur mobile longitudinale avec rappels aléatoires

Le but est de prendre des mesures simples de l'humeur à l'aide de l'échelle de Likert sur une période de temps prolongée (par exemple deux mois).

Je sais qu'il existe un grand nombre d'applications mobiles pour suivre l'humeur sur toutes les plateformes possibles et qu'il existe une liste complète de ces outils sur le site Web de Quantify Self. Tous ces outils vous permettent d'enregistrer votre humeur dans un format simple, de personnaliser votre suivi et de choisir vous-même l'heure à laquelle vous souhaitez enregistrer votre humeur. Et c'est exactement le point où tous ces outils manquent une fonctionnalité critique. Pour obtenir un échantillon plus fiable d'un comportement ou d'une expérience, vous devriez échantillonner l'expérience à un moment aléatoire pendant la journée de veille, plutôt que de donner à la personne le choix de l'heure de l'échantillonnage (Csikszentmihalyi et al., 1987). Csikszentmihalyi et al. (1977) ont fait exactement cela en donnant aux gens des téléavertisseurs et en leur envoyant des bips aléatoires, après quoi ils ont rempli le questionnaire. C'est une règle de base dans toutes les études d'échantillonnage d'expérience longitudinale dont je me souviens des cours de première année de premier cycle. La nécessité de ce type d'approche découle de l'incapacité des répondants à fournir une information rétrospective précise sur leur comportement et leur expérience au quotidien.

Je recherche donc un outil de suivi de l'humeur mobile qui réponde à ces exigences particulières :

  • il vous permet de configurer l'heure de réveil pendant laquelle vous souhaitez recevoir des rappels aléatoires,
  • il vous permet de configurer le nombre de rappels vous souhaitez recevoir pendant les heures de veille,
  • pendant la journée, vous recevez un rappel aléatoire qui vous dirige vers un une seule question vous demandant d'évaluer votre humeur pour le moment, par exemple à l'échelle 1-9
  • ton la réponse est horodatée et enregistrée soit sur le téléphone mobile, soit directement sur le serveur si possible.

Maintenant, cela semble assez simple, mais la seule application que j'ai trouvée qui correspond à certains aspects est Mappiness. Ils vous envoient des rappels aléatoires, et l'exécution de leur projet, de leur idée et de leur application est géniale. Mais le problème avec Mappiness est qu'il collecte beaucoup d'informations supplémentaires dont je n'ai pas besoin, et je suis personnellement très ennuyé par la longueur de leur questionnaire (vérifiez vous-même si vous avez un iPhone). Je veux un avis aléatoire, une seule question, 5 secondes de votre temps pour répondre et une option d'exportation de données.

Ai-je raté quelque chose ici ou une telle application n'existe pas et je dois l'écrire ? Je me rends compte que cette question pourrait être plus pertinente pour http://productivity.stackexchange.com mais c'est difficile à dire, c'est une sorte de zone intermédiaire.

Les références:

Csikszentmihalyi, M., & Larson, R. (1987). Validité et fiabilité de la méthode d'échantillonnage par expérience. Le Journal des maladies nerveuses et mentales, 175 (9), 526.

Csikszentmihalyi, M., Larson, R. et Prescott, S. (1977). L'écologie de l'activité et de l'expérience des adolescents. Journal de la jeunesse et de l'adolescence, 6(3), 281-294.


La meilleure chose que je puisse trouver est le projet parallèle de quelqu'un sur l'échantillonnage d'expérience (le code est sur github), donc je ne sais pas s'il est maintenu ou quoi que ce soit, mais il semble faire exactement ce que vous voulez.


Il y a maintenant une nouvelle application disponible pour iOS - Reporter (de Nicholas Feltron) - qui coche à peu près toutes mes cases. Il permet de concevoir n'importe quel questionnaire d'échantillonnage d'expérience avec différents types de réponses (nombre, choix multiples, etc.), une interface intelligente et intuitive, des options d'exportation avec JSON et CSV, ainsi que la synchronisation des données Dropbox. Il enregistre également des informations de base telles que la météo, l'emplacement, le niveau de bruit, ce qui est tout simplement un ajout impressionnant. Les notifications sont envoyées à intervalles aléatoires et vous pouvez choisir le nombre de notifications que vous recevez. Vous ne pouvez pas configurer d'heures de réveil/sommeil spécifiques, mais vous pouvez avertir l'application lorsque vous vous endormez dans le brouillard - celle-ci n'est pas idéale mais fonctionne toujours correctement. Dans l'ensemble, certainement la meilleure solution de ce type sur le marché en ce moment.


Une étude récente sur la dépression chez les adolescents (Kauer et al., 2012) a utilisé un programme Java écrit au Murdoch Children's Research Institute (MCRI) appelé Mobile Tracking Young People's Experiences ou type de mobile. Le programme de cette étude enregistre des données cryptées et horodatées sur le téléphone hôte et les télécharge également sur un site Web MCRI. Il indique aux utilisateurs d'enregistrer une réponse par notification sonore et leur rappelle cinq minutes plus tard si nécessaire. Les réponses peuvent être enregistrées à tout moment, mais les notifications ne se produisent qu'entre 8 heures et 22 heures et à des intervalles aléatoires dans des blocs de temps - je suppose que ce calendrier peut être modifié assez simplement.

Je vois d'autres études l'utiliser également, mais je n'ai pas été en mesure de trouver un moyen d'obtenir le programme. Les meilleures pistes que j'ai trouvées jusqu'à présent sont une page ClinicalTrials.gov, une page de projets de recherche sur beyondblue.org.au, et quelques études qui sont utilisées comme références pour le programme (Reid et al., 2009 ; Kauer, Reid, Sanci et Patton, 2009).

Une autre méthode qui semble assez flexible et adaptée à vos besoins est Mood 24/7, qui contacte les répondants avec des messages SMS, auxquels ils répondent (Foreman, Hall, Bone, Cheng et Kaplin, 2011). Cependant, je ne sais pas si vous pouvez modifier le programme en fonction de vos besoins spécifiques, par opposition à ceux pour lesquels Kaplin l'a programmé.

FWIW, une autre étude a développé Track Your Happiness, qui semble également faire tout ce que vous voulez, mais peut ne pas être reprogrammable sans aide ou au moins la permission du programmeur. Son utilisation a conduit à la publication très médiatisée que j'avais en tête lorsque j'ai commencé à écrire cette réponse (Killingsworth & Gilbert, 2010).

Les références

- Foreman, A. C., Hall, C., Bone, K., Cheng, J., & Kaplin, A. (2011). Envoyez-moi un texto : Utilisation de la technologie SMS pour la cartographie collaborative de l'humeur des patients. Journal de médecine participative, 3, e45. Extrait de http://www.jopm.org/columns/innovations/2011/09/26/just-text-me-using-sms-technology-for-collaborative-patient-mood-charting/.
- Kauer, S.D., Reid, S.C., Crooke, A.H.D., Khor, A., Hearps, S.J.C., Jorm, A.F.,… & Patton, G. (2012). Autosurveillance à l'aide de téléphones portables dans les premiers stades de la dépression chez les adolescents : essai contrôlé randomisé. Journal de recherche médicale sur Internet, 14(3). Extrait de http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3414872/.
- Kauer, S.D., Reid, S.C., Sanci, L., & Patton, G.C. (2009). Étude de l'utilité des téléphones portables pour la collecte de données sur la consommation d'alcool chez les adolescents et les comportements liés à l'humeur, au stress et à l'adaptation : leçons et recommandations. Examen des drogues et de l'alcool, 28(1), 25-30. Récupéré de ResearchGate.
- Killingsworth, M.A., & Gilbert, D.T. (2010). Un esprit errant est un esprit malheureux. Sciences, 330(6006), 932-932. Extrait de http://greatergood.berkeley.edu/images/application_uploads/KILLINGSWORTH-WanderingMind.pdf.
- Reid, S.C., Kauer, S.D., Dudgeon, P., Sanci, L.A., Shrier, L.A., & Patton, G.C. (2009). Un programme de téléphonie mobile pour suivre les expériences des jeunes en matière d'humeur, de stress et d'adaptation. Psychiatrie sociale et épidémiologie psychiatrique, 44(6), 501-507. Récupéré de ResearchGate.


MÉTHODES

Stratégie de recherche et sélection des études

Nous avons effectué des recherches dans quatre grandes bases de données en ligne (Medline, PsycINFO, bases de données Cochrane, Web of Science) en décembre 2018, en utilisant les termes de recherche (« smartphone* » OU « mobile phone » OU « cell phone » OU « mobile app* » OU « iphone ” OU « Android » OU « mhealth » OU « m-health » OU « téléphone portable » OU « appareil mobile* » OU « mobile » OU « mobile health » OU « tablette ») ET (« aléatoire* » OU « essai* » OU « allouer* ») ET (« anxiété » OU « agoraphobie » OU « phobie* » OU « panique » OU « stress post-traumatique » OU « santé mentale » OU « maladie mentale* » OU « dépression * » OU « trouble affectif* » OU « bipolaire » OU « trouble de l'humeur* » OU « psychose » OU « psychotique » OU « schizophre* » OU « bien-être » OU « bien-être » OU « qualité de vie » OU « soi -mal" ou "automutilation" OU "stress*" OU "détresse*" OU "humeur" OU "image corporelle" OU "trouble de l'alimentation*"). Les références bibliographiques des études incluses et des revues précédentes ont également été recherchées manuellement pour identifier d'autres études éligibles.

Un protocole pour cette revue a été enregistré via PROSPERO (CRD42019122136). Il y avait trois petits écarts par rapport au protocole original. Tout d'abord, nous avons fait un post-hoc décision d'inclure plutôt que d'exclure les études qui incorporaient une intervention sur smartphone prise en charge par une application dans un programme de traitement plus large (par exemple, conceptions additives ou complémentaires). Deuxièmement, nous n'avons pas effectué de méta-analyses de comparaisons directes de la TCC par rapport aux applications non basées sur la TCC, car il y avait un nombre insuffisant d'études pertinentes. Troisièmement, nous avons inclus un modérateur supplémentaire, c'est-à-dire si l'intervention sur smartphone visait directement à cibler le symptôme d'intérêt spécifique.

Les études incluses étaient des ECR en anglais qui examinaient les effets d'une intervention sur smartphone prise en charge par une application, par rapport à une condition de contrôle ou à une intervention active, et fournissaient les données de résultats nécessaires pour calculer une taille d'effet.

Les ECR publiés et non publiés étaient éligibles pour l'inclusion. À condition que l'intervention sur smartphone ait été conçue pour améliorer la santé mentale ou le bien-être général, aucune restriction sur les échantillons n'a été appliquée. Des essais d'interventions réalisées uniquement en partie via des smartphones ont également été inclus, tels que des conceptions complémentaires (application pour smartphone + thérapie standard contre thérapie standard seule) ou des programmes d'intervention mixtes (lorsque les participants pouvaient accéder à l'intervention basée sur une application via des smartphones ou des ordinateurs).

Les conditions de contrôle ont été classées en liste d'attente, évaluation uniquement, traitement comme d'habitude, ressources informatives et éducatives (p. Les interventions actives ont été classées en trois catégories : thérapie en face à face standard, interventions en ligne ou informatisées, pharmacothérapie et conditions d'autosurveillance.

Les études étaient exclues si : a) l'intervention sur smartphone n'abordait pas la santé mentale ou le bien-être (par exemple, les interventions axées sur la perte de poids, l'activité physique, la gestion du diabète, l'arrêt du tabac ou la consommation d'alcool étaient exclues) un traitement d'exposition à la réalité ou une intervention par messagerie texte uniquement a été fourni et c) il n'y avait aucune condition de comparaison pertinente (par exemple, un essai à deux bras comparant deux applications a été exclu) ou aucune mesure de résultat n'a été signalée. Si une étude n'incluait pas de données pour le calcul de la taille de l'effet, les auteurs étaient contactés et l'étude était exclue s'ils ne fournissaient pas les données.

JL a passé au crible tous les enregistrements et les textes intégraux ont été obtenus pour les ECR potentiellement éligibles. Deux évaluateurs indépendants (JL et MM) ont examiné les textes complets et sélectionné les ECR éligibles.

Évaluation de la qualité et extraction des données

La qualité des essais a été évaluée à l'aide de quatre critères de l'outil Cochrane sur le risque de biais 10 : génération adéquate de la séquence d'attribution, dissimulation de l'attribution aux conditions, mise en aveugle des évaluateurs des résultats ou utilisation de questionnaires d'auto-évaluation et traitement des données de résultats incomplètes (évaluées comme faible risque lorsque les données sur les résultats utilisées pour calculer la taille de l'effet étaient basées sur des analyses en intention de traiter). JL a mené les évaluations de la qualité et MM a codé au hasard 40 % des études, avec une bonne concordance observée entre les évaluateurs (kappa = 0,77, 0,69, 1,00 et 0,91, respectivement). Les désaccords ont été résolus par une discussion approfondie.

Nous avons également codé les caractéristiques des participants (échantillon cible, âge moyen) les caractéristiques de l'intervention sur smartphone (nom, orientation théorique, si l'application contenait des composants de pleine conscience) la condition de comparaison les mesures des résultats et d'autres caractéristiques de l'essai (taille de l'échantillon, qu'il s'agisse d'un soutien guidé ou des rappels pour s'engager ont été offerts, durée de la post-évaluation).

Méta-analyse

Pour chaque comparaison entre une intervention sur smartphone et une condition de contrôle ou d'intervention active, la taille de l'effet a été calculée en divisant la différence entre les moyennes des deux groupes par l'écart-type regroupé au post-test. La différence moyenne standardisée (d) a ensuite été convertie en g de Hedges pour corriger le biais des petits échantillons 11 . Si les moyennes et les écarts types n'étaient pas déclarés, les tailles d'effet ont été calculées à l'aide d'équations de conversion à partir de tests de signification (par exemple, les statistiques t).

Pour calculer une taille d'effet regroupée, la taille d'effet de chaque étude a été pondérée par sa variance inverse. Un g positif indique que la condition du smartphone a eu de meilleurs résultats que la condition de comparaison. On peut supposer que les tailles d'effet de 0,8 sont importantes, tandis que les tailles d'effet de 0,5 sont modérées et que les tailles d'effet de 0,2 sont petites 12 . Si les données des analyses en intention de traiter et complètes étaient présentées, les premières étaient extraites et analysées.

Nous avons sélectionné et analysé les résultats de santé mentale suivants, car un nombre suffisant d'essais (≥ 3) ont rapporté ces résultats et permis une méta-analyse : symptômes dépressifs symptômes d'anxiété généralisés symptômes d'anxiété spécifiques (symptômes d'anxiété sociale, symptômes de panique, symptômes de stress) niveaux de stress qualité de vie/bien-être détresse psychologique générale et affect positif et négatif. Si plusieurs mesures d'une variable de résultat donnée étaient utilisées, la moyenne des tailles d'effet de chaque mesure au sein de l'étude était calculée, avant que les tailles d'effet ne soient regroupées.

La version 3.0 d'une méta-analyse complète a été utilisée pour les analyses 13 . Comme nous nous attendions à une hétérogénéité considérable entre les études, des modèles à effets aléatoires ont été utilisés. L'hétérogénéité a été examinée en calculant la statistique I 2 , qui quantifie l'hétérogénéité révélée par la statistique Q et rapporte combien de variance globale (0-100 %) est attribuée à la variance entre les études 14 . Les intervalles de confiance (IC) à 95 % pour la statistique I 2 ont également été calculés.

Des analyses de sous-groupes ont été menées pour explorer les sources d'hétérogénéité dans le cadre d'un modèle à effets mixtes, qui regroupe les études au sein d'un sous-groupe à l'aide d'un modèle à effets aléatoires, mais teste les différences significatives entre les sous-groupes à l'aide de modèles à effets fixes.

Le biais de publication a été examiné par le biais de la procédure d'ajustement et de remplissage 15 , ainsi que par le test de corrélation des rangs de Begg et Mazumdar.


Conclusion

La fréquence à laquelle les gens bougent physiquement tout au long de la journée, même si ce mouvement n'est pas un exercice rigoureux, est associée à la fois à la santé physique et au bonheur. La recherche actuelle révèle le lien important entre les processus physiques et psychologiques, indiquant que même de légers changements dans l'un ont des conséquences sur l'autre. Les résultats actuels valident l'utilisation des smartphones pour mesurer passivement les activités quotidiennes d'une cohorte diversifiée de personnes et ouvrent la voie à de futures recherches portant sur les liens entre les processus psychologiques et comportementaux.


DISCUSSION

À notre connaissance, il s'agit de la première méta-analyse à examiner l'efficacité des interventions sur smartphone pour les symptômes dépressifs. Notre recherche systématique a identifié 18 ECR, examinant 22 interventions en santé mentale réalisées via des smartphones, sur un total de 3 414 participants. Ainsi, la base de littérature pour ce domaine particulier a évolué rapidement et est considérablement plus importante que celle trouvée pour les interventions sur smartphone dans d'autres conditions. Environ deux fois plus d'interventions éligibles et de participants ont été identifiés par rapport aux récentes méta-analyses d'interventions sur smartphone pour le diabète et l'anxiété 18, 19 . De plus, 14 des 18 études éligibles ont été publiées au cours des deux dernières années, ce qui peut refléter à la fois l'intérêt accru de la recherche pour l'utilisation d'applications pour la santé mentale 13 et l'augmentation de la propriété, de l'accès et de l'utilisation des applications de santé mentale par les patients et les organisations de soins de santé.

L'analyse principale a révélé que les interventions sur smartphone avaient un effet positif modéré sur les symptômes dépressifs, sans indication de biais de publication affectant ces résultats. Cependant, nos analyses de sous-groupes ont révélé que les effets des interventions sur smartphone étaient considérablement plus importants par rapport aux conditions de contrôle inactives (g=0,56) qu'actives (g=0,22). Le même schéma de tailles d'effet a été observé dans notre méta-analyse des interventions sur smartphone pour l'anxiété 19 . Des examens antérieurs d'autres interventions technologiques pour les problèmes de santé mentale ont rapporté des résultats similaires, car une méta-analyse des interventions de réalité virtuelle pour le traitement de l'anxiété a révélé des effets significatifs par rapport aux témoins inactifs, mais aucune différence par rapport aux traitements psychologiques traditionnels 51 . La mesure dans laquelle les effets observés sur les symptômes dépressifs découlent de l'utilisation de l'appareil lui-même, plutôt que des composants psychothérapeutiques de l'intervention, devrait être examinée et quantifiée dans de futures recherches, afin d'explorer davantage la notion de « placebo numérique » influençant les résultats 52 .

Nous avons également exploré d'autres facteurs susceptibles d'influencer les effets des interventions sur smartphone pour les symptômes dépressifs, en utilisant une gamme d'analyses de sous-groupes post-hoc. En ce qui concerne le type de population, les avantages significatifs des applications pour smartphone n'ont été trouvés que pour les personnes souffrant de dépression légère à modérée auto-déclarée. Cela peut être dû à des variations dans la taille des échantillons de sous-groupes, car la majorité des études ont été menées dans des populations non cliniques, laissant ainsi les analyses de la dépression majeure et du trouble bipolaire sous-alimentées pour détecter des effets significatifs. Néanmoins, la nature des interventions sur smartphone semble les positionner comme un outil d'autogestion idéal pour les personnes souffrant de niveaux de dépression moins sévères. Les effets observés indiquent que ces interventions sont bien placées pour délivrer un traitement de faible intensité dans une approche de soins par étapes 53 , voire pour prévenir la dépression légère à modérée parmi les millions de personnes affectées par des symptômes subcliniques 54 . Les résultats selon lesquels ni l'âge ni le sexe n'avaient de relation avec la taille de l'effet de l'étude indiquent que les interventions sur smartphone peuvent être applicables à un large éventail d'individus.

En ce qui concerne les fonctionnalités d'intervention, nous avons constaté que celles fournies entièrement via des smartphones avaient des effets significativement plus importants que celles qui impliquaient également d'autres aspects humains/informatiques. De même, ceux qui utilisaient des composants de « rétroaction en personne » avaient des effets significativement plus faibles que ceux qui n'en avaient pas. Il semble contre-intuitif que des fonctionnalités supplémentaires/un retour humain réduiraient l'efficacité du smartphone. Cependant, cette relation est probablement due au fait que les applications ne s'appuyant pas sur des composants externes ont été conçues comme des outils plus complets et autonomes. En effet, nous avons trouvé des indications selon lesquelles les études qui fournissaient des commentaires dans l'application étaient plus efficaces que celles qui n'en avaient pas.Il convient également de noter que la seule étude qui a comparé une intervention sur smartphone guidée par un thérapeute à la même intervention sans l'aide d'un thérapeute a trouvé des effets égaux dans les deux groupes 33 .

Les interventions sur smartphone basées sur la TCC ont considérablement réduit les symptômes dépressifs, tout comme celles qui incorporaient des aspects de l'entraînement à la pleine conscience ou de la surveillance de l'humeur. Cependant, nous n'avons pas été en mesure d'élucider quelles caractéristiques étaient les plus efficaces. Une étude précédente qui comparait directement les applications pour smartphone sur la base des principes d'activation comportementale ou de pleine conscience n'a également trouvé aucune différence globale entre les deux approches 55 . Néanmoins, les résultats ont montré que les personnes souffrant de dépression plus sévère ont bénéficié davantage de l'application d'activation comportementale, tandis que celles souffrant de dépression légère ont davantage bénéficié de l'application de pleine conscience. Comprendre à la fois quelles interventions psychologiques sont les mieux réalisées via un smartphone et quelles populations de patients bénéficieront le plus des interventions basées sur les smartphones nécessitera des recherches supplémentaires. Alors que les applications pour smartphones pour la santé mentale deviennent plus faciles à créer, concentrer la recherche sur des populations spécifiques permettra des utilisations plus personnalisées et probablement plus efficaces.

La corrélation négative au niveau de la tendance entre l'efficacité et la durée de l'intervention indique qu'un autre facteur à prendre en compte lors de la conception d'applications optimales est l'engagement des utilisateurs 56 . Des taux plus faibles d'engagement des utilisateurs au fil du temps ont été trouvés dans de nombreuses autres études sur les applications de santé mentale 57-59. Des taux d'engagement plus élevés ont également été associés à ces applications conçues pour de brèves interactions 60 , ce qui suggère la nécessité de personnaliser les interventions en fonction de la façon dont les gens utilisent les smartphones. Bien qu'il existe des recherches préliminaires sur la conception et la présentation optimales des plateformes de télésanté 61, 62 , l'impact sur l'engagement des patients et les résultats reste un domaine d'exploration naissant. La compréhension d'autres facteurs liés à l'utilisation des applications, tels que le statut socio-économique, la littératie en santé 63 , la littératie technologique et l'état de santé 64, 65 , restent également des cibles importantes pour de futures recherches.

Une force majeure de cette méta-analyse est le strict respect d'un protocole enregistré qui décrit exactement la stratégie de recherche, les critères d'inclusion, l'extraction des données et les procédures analytiques. Cependant, un inconvénient est que nous n'avons inclus que les interventions sur smartphone qui ont été évaluées dans les ECR. Compte tenu de la grande disponibilité des applications de santé mentale, il est essentiel de garantir que les consommateurs et les cliniciens ont accès à des interventions fondées sur des données probantes pour une prise de décision éclairée. Alors que le grand nombre d'applications disponibles et leur mise à jour fréquente 14, 66 , rendent impossible l'évaluation de chacune, la recherche élucidant les composants d'applications efficaces et mettant en évidence les meilleures pratiques peut offrir des informations immédiatement utiles pour les soins cliniques. Il convient de noter que les études futures doivent identifier et signaler les problèmes de sécurité concernant l'utilisation des interventions par smartphone 67 . La capacité des smartphones à enregistrer immédiatement les données d'humeur saisies, à calculer si les réponses dépassent un certain seuil et, le cas échéant, à activer les systèmes d'intervention d'urgence, offre une surveillance de la sécurité en temps réel absente du traitement traditionnel de la dépression.

Une autre limite est l'hétérogénéité significative trouvée dans les analyses. Bien que cette hétérogénéité ait été statistiquement prise en compte par les modèles à effets aléatoires lors du calcul de la taille de l'effet et des valeurs p respectives, cela indique toujours qu'il existait des différences significatives entre les études, même lors du sous-groupement par échantillon/type d'intervention. En raison de l'étendue des différences entre les études, il a été difficile d'établir les composants les plus efficaces des interventions sur smartphone, ou de déterminer à quelles populations ces interventions sont les mieux adaptées. Des études futures qui testent directement des approches alternatives les unes contre les autres dans des essais contrôlés de non-infériorité, tout en évaluant la variation des résultats entre des sous-échantillons de participants 55, ajouteraient une grande valeur à notre compréhension de ce qui constituerait l'application smartphone optimale pour les symptômes dépressifs, et dans quelles populations ces méthodes peuvent être les plus efficaces.

En conclusion, les preuves à ce jour indiquent que les interventions en santé mentale dispensées via des appareils intelligents peuvent réduire les symptômes dépressifs. Cependant, délivrer des soins via un smartphone introduit plusieurs aspects nouveaux qui doivent être pris en compte, au-delà du seul changement de plateforme. Plus précisément, nous n'avons pas encore établi de quelle manière l'engagement des utilisateurs, les boucles de rétroaction, les effets d'attente et les caractéristiques individuelles des patients influencent les résultats de l'intervention. Plutôt qu'un obstacle, ces variables représentent de nouvelles opportunités pour de nouvelles recherches afin d'optimiser et de personnaliser les interventions basées sur les smartphones.

Compte tenu des premières indications d'efficacité et de la croissance rapide de la base de recherche empirique, il est possible d'envisager que les progrès technologiques continus conduiront finalement à des traitements numériques évolutifs et rentables pour les symptômes dépressifs 56, 68 . Ainsi, tout en continuant à concevoir et à évaluer des applications optimales, des recherches supplémentaires devraient également être consacrées à l'établissement de méthodes réalisables pour la mise en œuvre d'interventions basées sur les smartphones dans les systèmes de santé.


1. Introduction

(1) Méthodes de recherche actuelles en psychologie. L'informatique est sur le point d'avoir un impact énorme sur la psychologie. Outre les expérimentations et les questionnaires, il met en place une troisième technique de recherche fondamentale : l'observation de l'interaction homme-appareil à très grande échelle. Il permet aux psychologues d'analyser des variables telles que les traits de personnalité (par exemple, extraversion contre introversion), les aptitudes (par exemple, politiques) et les fonctions cognitives (par exemple, processus de vieillissement cognitif), ainsi que le comportement (par exemple, conduite dangereuse ou style de vie actif ). Suivi de centaines de milliers d'utilisateurs, le Big Data résultant nécessite une modélisation et un nettoyage substantiels. Cependant, sa taille en combinaison avec des techniques d'apprentissage automatique tire parti de la puissance statistique (nous nous référons aux problèmes de faux positifs plus loin). Plus important encore, il évite la plupart des sources de biais, car le comportement d'intérêt est directement enregistré. De nombreux biais sont inhérents aux mesures psychologiques standard, par exemple, la tendance à répondre aux mesures d'auto-évaluation d'une manière socialement souhaitable (par exemple, [1]) ou de véritables problèmes cognitifs pour répondre à certaines questions telles que 𠇌ombien d'heures dépenser sur votre smartphone ?”, une évaluation qui est fortement mise à mal par les distorsions temporelles [2]. Pourtant, l'approche pionnière de la psychoinformatique pose également des défis importants aux deux sciences impliquées. Plus important encore, les deux doivent apprendre à coopérer et finalement façonner une toute nouvelle discipline : la psychoinformatique [3]. Yarkoni [4] décrit la psychoinformatique comme “… une discipline émergente qui utilise des outils et des techniques de l'informatique et des sciences de l'information pour améliorer l'acquisition, l'organisation et la synthèse de données psychologiques.” (p. 391).

Traditionnellement, les sciences psychologiques reposent sur deux méthodes fondamentales de collecte de données : les expérimentations et les entretiens ou questionnaires [5]. Les premiers explorent un aspect très particulier dans un cadre restreint et entièrement contrôlé. Ces derniers évaluent le comportement plus large d'une personne au moyen d'un questionnaire d'auto-évaluation ou d'entretiens (potentiellement structurés) [6]. Ces méthodes souffrent de défauts inhérents. Les expériences sont généralement limitées à un seul point de données (c'est-à-dire une expérience) en considérant un petit nombre d'utilisateurs (qui doivent généralement être incités à participer). Il est clair qu'il existe également des expériences longitudinales, bien qu'elles soient menées moins fréquemment en raison du coût et de l'effort élevés impliqués. Les questionnaires d'auto-évaluation et les entretiens rencontrent également des problèmes, car les humains ont du mal à se souvenir de manière fiable des événements passés, et ils sont en outre soumis à diverses sources de biais (par exemple, les tendances susmentionnées à la désirabilité sociale La désirabilité sociale fait référence au préjugé humain à se présenter d'une manière jugée « appropriée » compte tenu de certaines demandes ou normes sociétales). En revanche, l'informatique moderne introduit des méthodes entièrement nouvelles pour évaluer le comportement des participants de manière longitudinale, à grande échelle, et par rapport aux auto-évaluations, d'une manière plutôt objective. L'informatique en tant que discipline est largement concernée par la mise en œuvre d'algorithmes à l'aide d'ordinateurs (ou de dispositifs similaires). Pour les besoins de cet article, nous nous référons à la façon dont les algorithmes peuvent être utilisés sur les appareils mobiles pour analyser les « Big Data. technologies numériques.

(2) Les développements de l'industrie informatique cèdent la place à la psycho-informatique. Au cours des vingt dernières années, l'industrie informatique a produit un large éventail de technologies puissantes, qui sont devenues omniprésentes dans la vie quotidienne. Les smartphones et autres appareils mobiles offrent une connectivité constante et, ce faisant, ont changé notre vie quotidienne [7𠄹]. Avec les plateformes en ligne telles que Facebook, ils sont devenus un lieu central pour communiquer, faire du shopping, jouer ou étudier. En conséquence, les technologies numériques sont omniprésentes dans la vie quotidienne et les données de ces appareils pourraient être enregistrées à grande échelle. Enfin, un matériel bon marché nous permet de stocker et d'analyser de grandes quantités de données à peu de frais. Ces nouvelles innovations techniques soutiennent les méthodes psychologiques classiques, telles que les expériences et les questionnaires [10]. Premièrement, ils permettent de mettre en œuvre des expérimentations psychologiques via les téléphones portables [11]. Dans cette dernière étude de Dufau et al., les chercheurs ont démontré la faisabilité de mener des expérimentations sur des smartphones en mettant en œuvre une tâche de décision lexicale sur ces appareils. Comme indiqué ci-dessous, cette nouvelle façon de mener des expériences et de collecter des données doit être comparée aux données acquises via des configurations expérimentales classiques pour garantir que des données de qualité égale peuvent être obtenues grâce à des méthodes psycho-informatiques. Est-il possible que des tests neuropsychologiques et autres batteries de tests classiques puissent être mis en œuvre sur des smartphones et être étudiés non seulement chez les patients mais aussi dans la population générale ? Les expériences psycho-informatiques peuvent être menées plusieurs fois par jour sur une période de temps prolongée, générant ainsi un plus grand nombre de points de données par utilisateur. Deuxièmement, ils permettent d'administrer des questionnaires sur des téléphones mobiles, demandant potentiellement au participant de fournir des données au niveau quotidien, collectant à nouveau plus de points de données par utilisateur [12]. Ici, une variable intéressante pourrait être l'évaluation de l'humeur ou l'inclusion d'un échantillonnage d'expériences pour évaluer les activités de flux dans la vie quotidienne (le concept de flux est expliqué un peu plus loin dans l'article [13]). Cependant, les lacunes fondamentales des deux méthodologies demeureront. Seul un nombre limité d'utilisateurs peut être incité à mener régulièrement une expérience, et les questionnaires restent une source de biais (bien que, bien sûr, les inventaires d'auto-évaluation seront toujours importants en psychologie, par exemple, pour mettre en évidence les écarts entre le comportement réel enregistré et vue de soi). Cependant, la collecte de données a déjà bénéficié de ces technologies, par exemple, un traitement plus facile des données permis par le passage des questionnaires papier-crayon aux questionnaires administrés en ligne, qui éliminent les erreurs dans l'enregistrement des réponses des participants [14]. Cependant, comme la psycho-informatique considère principalement les variables dérivées de l'interaction homme-machine au niveau du système d'exploitation (contrairement au remplissage de questionnaires en ligne « simples »), les données nécessitent une préparation et un prétraitement importants par des informaticiens qualifiés avant d'être disponibles pour les applications classiques. analyses statistiques inférentielles. Ce point est discuté plus en détail dans la section sur le nettoyage des données.

Les capteurs électriques se sont considérablement améliorés et constituent une autre technologie puissante pour évaluer l'état et le comportement des humains. Ils peuvent mesurer le mouvement physique (via des accéléromètres) [15], la réponse galvanique de la peau [16] ou la fréquence cardiaque (variabilité) [17, 18]. Au cours des dix dernières années, ils sont devenus très rentables et nécessitent peu d'entretien de la part du participant. Premièrement, les capteurs peuvent envoyer leurs données automatiquement à un serveur via un smartphone. Deuxièmement, des processeurs efficaces et des batteries puissantes ont considérablement réduit le besoin de charger les capteurs [19], les trackers de fitness actuels, par exemple, fonctionnent une semaine entière avec une seule charge. Le développement rapide des technologies cède la place à l'Internet des objets (IoT), où les objets du quotidien tels que les machines à café ou le réfrigérateur sont connectés à Internet (voir également ci-dessous) et peuvent servir de sources de données.

(3) L'Internet des objets et la psychoinformatique. Comme indiqué ci-dessus, le principal avantage méthodologique offert par la psychoinformatique par rapport aux techniques psychologiques classiques est la possibilité de suivre l'interaction homme-machine directement sur l'appareil. Par exemple, on peut suivre l'interaction entre un utilisateur et son smartphone [20] ou sa voiture (intelligente) [21]. Cette approche peut également être étendue aux plateformes en ligne, telles que les réseaux sociaux [22] ou les sites marchands [23]. Les données sont capturées et transférées vers un serveur central pour une analyse plus approfondie, sans nécessiter aucune interaction de la part de l'utilisateur. Un tel suivi surpasse les méthodes traditionnelles en termes d'échelle et de qualité des données collectées. Premièrement, il permet aux chercheurs de suivre un très grand nombre de participants, jusqu'à des centaines de milliers. Deuxièmement, il collecte de nombreux points de données par jour, sans rien exiger du participant. Alors que les gens passent de plus en plus leur vie en ligne, les sources de données potentielles deviennent de plus en plus riches, fournissant finalement plus de points de données par jour. Simultanément, ces sources de données deviennent de plus en plus abondantes, à mesure que nos environnements deviennent de plus en plus numériques. Bientôt, nous pourrons suivre l'interaction avec les voitures intelligentes [24] et les machines à café [25].

Cette vision d'un monde, où chaque appareil dispose de puissances de calcul et d'une connectivité en ligne, est communément appelée « informatique cubique. » Le terme remonte aux travaux de Mark Weiser au Xerox PARC dans les années 1990 [26]. Entre-temps, il est devenu courant et désigne le domaine de recherche correspondant en informatique [27]. Dans une vision encore plus large, l'Internet des objets (IoT) ou Internet of Everything fait référence à un monde, où chaque élément est représenté et chaque processus est mené numériquement ou au moins documenté numériquement. Nécessitant un ensemble de normes convenues à l'échelle mondiale, l'IoT forme ainsi une sorte d'infrastructure sémantique. Chaque appareil dans ce monde produit des données, documentant ses actions. Le stockage et l'analyse de ces données sont communément appelés Big Data. Dans cette vision, il n'y a pas de relation causale entre la collecte de données et son analyse, c'est-à-dire que les données sont généralement analysées pour répondre à des questions qui n'étaient que vaguement connues, voire pas du tout, au moment de la collecte des données. Bien sûr, cette approche présente le danger de résultats faussement positifs, en particulier à la lumière des nombreuses variables d'intérêt à collecter via l'enregistrement de l'interaction homme-machine, ce qui entraîne des possibilités infinies de rechercher des corrélations significatives. Par conséquent, une réplication indépendante des résultats observés à partir d'ensembles de données psycho-informatiques et d'expériences de suivi soigneusement conçues (en laboratoire) sera nécessaire. Il existe de nombreuses visions de la façon dont la numérisation peut façonner notre monde. Comme point de départ pour une lecture plus approfondie, nous renvoyons les lecteurs aux travaux fondateurs de Rifkin [27, 28] et Brynjolfsson et McAfee [29].

(4) Le “Noise” dans le Big Data. Certes, les 𠇋ig Data” collectées via des méthodes psycho-informatiques contiennent une grande quantité de bruit. Cependant, comme la méthodologie génère autant de données sur autant d'utilisateurs, le signal devrait se séparer du bruit plus clairement que jamais. Par exemple, prenons un chercheur intéressé par l'investigation des fonctions cognitives, qui souhaite évaluer la fonction cognitive en étudiant la taille changeante du pool de mots de la langue d'une personne. Si le chercheur ne considère que l'utilisation des mots sur une journée, il est peu probable que l'ensemble de données soit très représentatif. Peut-être que ce jour-là, le participant n'a utilisé WhatsApp qu'avec son enfant, en écrivant avec des mots simples (enfantins). Cependant, en analysant l'utilisation des mots de cette personne sur une période plus longue, l'erreur type de la mesure diminue, car les interactions numériques avec un plus grand nombre de personnes peuvent être incluses dans l'analyse.

Enfin, le suivi ubiquitaire évite la plupart des sources de biais inhérentes aux questionnaires. Suivre directement l'interaction de l'utilisateur, par exemple sur un smartphone, reste sujet à certaines formes de biais (le sentiment d'être surveillé peut modifier le comportement d'une personne). Pourtant, celles-ci sont bien inférieures à celles présentes dans les expériences ou les questionnaires. De plus, après un court instant, les participants ne devraient plus penser au fait qu'ils sont suivis. Cela doit clairement être testé empiriquement, mais nous pouvons y penser en utilisant une analogie avec l'autoroute. Si une personne emménage dans un appartement dans une rue bruyante, elle sera clairement gênée par le bruit les premiers jours. Après un certain temps, cependant, le bruit est filtré par le cerveau humain et certaines personnes ne s'en rendent plus compte [30, 31]. Bien sûr, il y a une grande différence entre la conscience du bruit de la circulation et le fait d'être suivi par une autre personne. Néanmoins, l'histoire à succès des réseaux sociaux en ligne tels que Facebook démontre qu'un grand nombre de personnes ne sont pas trop préoccupées par leur vie privée numérique (au moins après un certain temps) sinon, elles reconsidéreraient leurs profils ouverts, etc.

Le suivi du comportement sur le smartphone est susceptible de donner le meilleur aperçu du comportement humain. Il capture divers aspects de la vie via un large éventail de méthodes (modèles de mouvement via GPS et exploration de texte pour déduire l'humeur, les modèles de communication et la taille du réseau social) [32, 33]. Il est chargé de capteurs. Il peut communiquer ses données de manière autonome à un serveur distant. Il sert de dispositif central pour accéder au Web, faire des achats en ligne, communiquer avec des amis et jouer à des jeux. Et, ce qui est important pour les budgets de recherche, la plupart des gens possèdent déjà un tel appareil. Selon statista.com [34], en 2016, plus de deux milliards d'humains utiliseront un smartphone. Avec cette énorme distribution de smartphones dans le monde, ils sont prédestinés à devenir la source de données la plus importante pour les scientifiques [35].

(5) La complexité des étapes de nettoyage des données. Les caractéristiques intrinsèquement différentes des données dérivées de l'interaction homme-machine nécessitent une mentalité entièrement différente de la part des chercheurs.Les Big Data, telles que celles générées par le suivi ubiquitaire, sont généralement caractérisées par les trois V : rapidité, variété, et le volume [36]. Les données arrivent à un rythme très élevé, dans des formats et des qualités variés, nécessitant des moyens de stockage conséquents. Ces données sont intrinsèquement erronées et sales. Pourtant, comme indiqué ci-dessus, le signal doit se séparer clairement du bruit (en raison de la quantité massive de points de données collectés). Alors que les chercheurs doivent bien sûr vérifier les données collectées (voir le nettoyage des données un peu plus bas), ils doivent également sacrifier le type de contrôle qu'ils ont traditionnellement dans une configuration expérimentale stricte. Au lieu de cela, ils doivent s'appuyer sur la puissance statistique d'un grand nombre de mesures.

Fréquemment, cette forme de recherche s'appuiera sur des données qui ont été recueillies à des fins entièrement différentes. Par exemple, un chercheur peut analyser les journaux d'un réseau social. Ou ils peuvent utiliser les informations de facturation d'un fournisseur de télécommunications. Une telle approche, commune aux applications Big Data, fait passer la recherche à l'analyse post hoc. La question scientifique posée n'a aucune influence sur la collecte des données. En fait, la question ne s'est peut-être pas posée au moment de la collecte des données. Ces données brutes, obtenues via diverses applications, nécessitent un traitement important. Au départ, il est souvent cryptique et échappe à l'analyse. Elle nécessite donc une modélisation importante avant de pouvoir être analysée. Ainsi, il peut y avoir beaucoup plus d'étapes de traitement, y compris diverses formes de nettoyage des données. La construction de modèles pour l'analyse des données remplacera en effet la conception expérimentale a priori en tant que défi « intellectuel » dans la recherche psychologique. Ce processus de nettoyage des données dépendra en grande partie de la question de recherche unique à l'étude.

Envisagez une étude sur les problèmes de productivité dans les environnements de travail numériques. On pourrait émettre l'hypothèse que parce que plus d'interruptions sont observées, moins de productivité devrait être observable, en raison de la perturbation de l'expérience susmentionnée de flux dans son travail. Le flux représente un état de concentration (productive) élevée, dans lequel les compétences d'une personne correspondent à la difficulté d'une tâche. Les smartphones peuvent nous distraire à un point où atteindre un état de flux devient impossible. L'étude porterait ainsi sur les interruptions dues aux smartphones dans la vie de tous les jours. Par conséquent, l'informaticien pourrait modéliser la fréquence à laquelle un smartphone est allumé et éteint. Ce processus de modélisation doit donc prendre en considération beaucoup de choses. Est-il plus intéressant d'évaluer la durée entre les sessions téléphoniques ? Ou doit-on calculer le temps global passé sur un smartphone chaque jour ? Faut-il compter le temps, lorsque le téléphone est utilisé pour écouter de la musique, mais pas de manière interactive ? Comment gérer les sessions ultracourtes sur smartphone, par exemple, lorsque l'écran du téléphone est allumé, mais que le téléphone n'est pas déverrouillé et qu'il n'y a plus d'interaction haptique ? La question de recherche précise à portée de main déterminera le nettoyage et la modélisation des données. Et toute solution nécessitera une étroite collaboration interdisciplinaire.

(6) Quel est l'agenda de recherche de la psychoinformatique ? Naturellement, il y a eu des efforts de collaboration antérieurs entre les domaines de la psychologie et de l'informatique. En particulier, les Interfaces Homme-Machine (IHM) désignent le domaine de l'informatique concerné par l'interaction entre les utilisateurs et les systèmes électroniques, par exemple, au moyen d'interfaces graphiques ou de signaux acoustiques. Cet axe de recherche comprend ainsi l'ingénierie de l'utilisabilité, l'apprentissage en ligne, l'interaction et la conception de l'information, entre autres. S'adressant immédiatement à l'utilisateur, il touche à de nombreux domaines couramment étudiés par les psychologues. En particulier, la discipline de l'informatique affective reconnaît, réagit ou imite l'affect humain [37]. Notamment, le projet HUMAINE a étudié les systèmes orientés émotions [38]. Pour une introduction, voir http://emotion-research.net/. Plus étroitement ciblée, l'interaction homme-robot se concentre sur l'interface entre les utilisateurs et les robots (humanoïdes), abordant ainsi également des aspects de la psychologie. Les deux domaines sont bien établis en informatique, comme le montrent les transactions IEEE sur l'informatique affective et la conférence internationale ACM/IEEE sur l'interaction homme-robot. Pourtant, issus de l'IHM, ces domaines de recherche se concentrent généralement sur les utilisateurs individuels et, jusqu'à présent, ont rarement utilisé les technologies Big Data. Eux aussi peuvent ainsi bénéficier du développement de la psychoinformatique.

La collaboration entre l'informatique et la psychologie permettra enfin à cette dernière d'appliquer plus concrètement nombre de leurs résultats scientifiques. Jusqu'à présent, de nombreuses recherches quantitatives en psychologie auraient certes pu avoir un impact plus pratique. Nous entendons par là que d'importantes recherches en psychologie sont menées dans le cadre d'expériences en laboratoire ou d'études par questionnaire soigneusement conçues, où il n'est pas clair si les résultats peuvent être généralisés à la vie réelle. Or, aujourd'hui, les résultats de la psychologie peuvent être validés dans la vie de tous les jours et intégrés dans la logique des systèmes informatiques. Les voitures reconnaîtront quand les conducteurs sont somnolents ou agités. Le logiciel d'apprentissage se rendra compte lorsque l'attention d'un élève glisse. Une telle « informatique affective » fera partie intégrante de la plupart des appareils qui nous entourent [37]. Ces applications apporteront une valeur pratique immédiate, non seulement à de nouvelles découvertes, mais aussi à de nombreux résultats psychologiques des décennies précédentes. Bien sûr, cela soulève également la question de savoir si la psychoinformatique créera son propre programme de recherche unique. D'après la littérature examinée dans cet article, il devient clair que la psychoinformatique permet de revisiter et de tester de nombreuses questions de recherche psychologique en dehors des paramètres de laboratoire stricts, dans la vie de tous les jours. Comme mentionné, de nombreuses informations psychologiques importantes ont été obtenues en laboratoire et, par conséquent, tester de tels résultats à plus grande échelle dans divers contextes posera un grand défi. De plus, comme pour toute nouvelle entreprise de recherche interdisciplinaire, nous sommes convaincus que de nouvelles questions se poseront également, dépassant les questions de recherche traditionnelles dans les deux domaines. Sur ce point, nous présentons un exemple issu de nos propres travaux sur l'application Menthal (voir description détaillée en annexe). Lorsque nous avons lancé le projet Menthal, nous voulions répondre à la question assez simple mais importante de savoir comment le smartphone domine nos vies. Notre application sur mesure a suivi des milliers de smartphones, enregistrant combien de temps les participants ont utilisé leur téléphone chaque jour et quelles applications sont les plus utilisées (et nous détournent le plus des tâches importantes). Quelques premiers résultats issus de ce projet sont présentés plus en détail ci-dessous. Lorsque nous avons analysé l'ensemble de données, nous avons pris conscience de l'énorme potentiel offert par ces données au-delà de la question de recherche initiale, nous avons pu étudier indirectement le comportement de sommeil de milliers de participants (une étude précédente de notre laboratoire montre qu'environ 36 % des les utilisateurs de smartphones utilisent leur smartphone dans les cinq dernières minutes avant de s'endormir et dans les cinq premières minutes après le réveil [39]) ou enquêtent sur les interruptions de la vie quotidienne et donc aussi sur les pertes de productivité, même pour de larges populations. De plus, en considérant le signal GPS, il serait possible de combiner des informations provenant de la localisation d'une personne et de l'activité du smartphone avec des informations sociodémographiques sur la région dans laquelle une personne séjourne. Il est également possible d'étudier comment le comportement d'une personne est influencé par la météo. à un instant donné. En principe, les données du smartphone, y compris son heure et son emplacement, pourraient être liées à de nombreuses variables externes. Bref, l'énorme volume de données provenant de grands échantillons permet de répondre à de nombreuses questions de recherche, qui étaient auparavant inconsidérées. De toute évidence, cela pose également des défis fondamentaux aux comités d'éthique pour déterminer ce qui peut et ne peut pas être étudié après la collecte des données. Alors que les smartphones et les réseaux sociaux peuvent être une source importante pour comprendre les processus psychologiques d'un individu, nous devons également garder à l'esprit que ces appareils sont conçus pour l'interaction sociale. Ainsi, la question se pose de savoir dans quelle mesure les processus individuels déterminés à partir des smartphones représentent vraiment les processus internes d'un individu ou si ces informations sont influencées par leurs interactions avec les autres via le smartphone.

(7) Une brève revue des premières études en psycho-informatique. Actuellement, les travaux qui relèvent du domaine de la psychoinformatique sont assez dispersés. Premièrement, il est publié dans deux communautés scientifiques assez distinctes (psychologie et informatique). Deuxièmement, ceux-ci sont encore plus fragmentés dans diverses sous-communautés (et différentes revues), qui ne sont pas nécessairement au courant des conclusions des autres. En général, les chercheurs emploient une gamme de techniques sur une variété d'ensembles de données, en utilisant des méthodologies orthogonales et poursuivant un large ensemble d'objectifs de recherche.

Ces dernières années, un nombre croissant d'études ont été menées, qui s'inscrivent largement dans la catégorie de la psycho-informatique. Le terme lui-même a été inventé indépendamment par plusieurs groupes de travail [3, 4]. Ces études portent principalement sur des sources de données proches du World Wide Web, comme les réseaux sociaux. Nous proposons une brève revue des études prédisant les variables psychologiques des réseaux sociaux en ligne, tels que Facebook, ou des canaux de communication, tels que Twitter.

Dans leur étude phare, Kosinski et al. [22] ont enquêté sur plus de 58 000 utilisateurs de Facebook et ont démontré qu'il est possible de prédire la sexualité, l'ethnicité ou les attitudes politiques à partir de Facebook “Likes” dans plus de 80 % des cas. Cette étude a également été en mesure de prédire la personnalité de Facebook “Likes” (bien que cela ait moins bien réussi à faire des prédictions au niveau individuel). La précision de la prédiction pour les Big Five de la personnalité était comprise entre 0,29 et 0,43 dans cette étude. Les différences individuelles de personnalité ont été évaluées avec l'International Personality Item Pool. Une corrélation de r = .40 suggère que 16% (c'est-à-dire, r = .40 2 ) de la variance des likes Facebook et du test de personnalité se chevauchent. Il est intéressant de noter que des corrélations d'une ampleur similaire entre les variables d'appel sur smartphone et la personnalité ont également été rapportées [20]. Récemment, Kosinski et al. [22] ont mentionné que ce type d'analyse de données peut être utile pour personnaliser le contenu Web et les publicités en ligne. En étudiant la plateforme de communication Twitter, Querica et al. [40] ont observé que les utilisateurs de Twitter influents et populaires sont extravertis et émotionnellement stables. Les humains extravertis peuvent être décrits comme socialement extravertis et récompensent sensibles, optimistes et parfois impulsifs [41�]. Qiu et al. [44] ont rapporté que des traits de personnalité tels que le névrosisme et l'agréabilité pouvaient également être prédits à partir de tweets. Les humains agréables sont des personnes sympathiques et s'adaptent facilement aux autres [45]. Bai et al. [46] ont également réussi à prédire la personnalité à partir de microblogs (en l'occurrence, la plateforme chinoise Sina). Dans cette étude, des variables telles que le nombre d'amis ou de followers sur le microblog étaient corrélées avec la personnalité. En résumé, un nombre croissant d'études présentent des preuves empiriques que les données de l'interaction homme-machine (par exemple, Facebook, Twitter et Sina) peuvent être étudiées pour prédire avec succès les variables psychologiques.

En plus d'exploiter les données de ces réseaux sociaux de premier plan, de nouvelles études prennent également en compte les smartphones. Dans la lignée des études précitées sur Facebook et Twitter, Montag et al. [20] ont étudié les variables d'appels et de SMS des smartphones pour prédire les traits de personnalité des utilisateurs de smartphones. Bien qu'il puisse sembler trivial que les extravertis aient été associés à une gamme de variables d'appel sur le smartphone (comme les extravertis sont socialement extravertis, on s'attendrait à ce que les extravertis utilisent davantage leur téléphone), il est intéressant de noter que la psychoinformatique aide les chercheurs à comprendre lequel du grand nombre de variables d'appel sur un smartphone est le plus fortement lié à l'extraversion. Compte tenu de variables telles que la durée des appels, le nombre d'appels sortants, le nombre d'appels entrants et les utilisateurs distincts appelés, il devient clair que cette question n'est pas aussi facile à répondre qu'il n'y paraît initialement. Dans l'étude de Montag et al. [20], le nombre d'appels sortants était le meilleur prédicteur de l'extraversion. Une étude antérieure de Chittaranjan et al. [47] a non seulement lié la personnalité aux variables du smartphone, mais a également fourni un outil d'apprentissage automatique pour prédire la personnalité à partir des variables du smartphone. Au-delà de la personnalité et de l'utilisation classique des smartphones, une autre étude récente fournit quelques premières informations sur la relation entre le comportement et la personnalité de WhatsApp [48]. Encore une fois, les extravertis ont davantage touché leurs réseaux sociaux (en termes d'utilisation plus longue de WhatsApp). De plus, les personnes peu consciencieuses restaient plus longtemps sur WhatsApp [48]. Les personnes peu consciencieuses pourraient être caractérisées comme étant moins diligentes et souvent pas à l'heure. Au lieu de suivre leurs routines quotidiennes, ils tergiversent sur les tâches de travail et passent trop de temps sur leurs smartphones. Un avantage clé de l'utilisation de méthodes psychoinformatiques pour enquêter sur la dépendance aux smartphones est mis en évidence par des travaux récents démontrant une distorsion temporelle significative associée à l'utilisation de smartphones, suggérant que les utilisateurs de smartphones peuvent être incapables d'évaluer avec précision la durée de temps qu'ils passent à utiliser leur appareil [2, 49].

Dufau et al. [11] suggèrent que les smartphones peuvent également être utilisés pour étudier des variables cognitives. Ici, il peut être possible d'observer des fluctuations des fonctions cognitives via le smartphone, ce qui se prête à l'étude du déclin cognitif dans les sociétés vieillissantes comme l'Allemagne. L'étude de Dufau et al. [11] est également pertinent d'un autre point de vue. En psychologie, les termes validité et fiabilité sont des concepts centraux pour la qualité et la généralisation des résultats des études psychologiques. Avant de pouvoir considérer les résultats de la psychoinformatique aux côtés des preuves collectées à partir d'approches psychologiques classiques, il faut tester systématiquement si les données recueillies à partir de questionnaires via des smartphones ou des canaux similaires produisent les mêmes propriétés psychométriques que les données obtenues via des questionnaires papier-crayon. Bien que cela soit probable (car la recherche a montré que les questionnaires papier-crayon et en ligne sont comparables en ce qui concerne les propriétés psychométriques, par exemple [50]), les données collectées à partir d'expériences menées sur des smartphones doivent être comparées à des expériences de laboratoire soigneusement menées.

Les études portant sur l'interaction homme-machine au-delà des smartphones ou des réseaux sociaux en ligne sont plutôt rares. Des premiers exemples intéressants montrent que l'extraction de données à partir des diagnostics embarqués (OBD) des voitures permettra d'identifier les comportements de conduite imprudente [51, 52] et que connecter votre réfrigérateur à Internet peut vous aider à suivre un régime alimentaire plus sain [53].


10 applications de suivi de l'alcool pour iPhone

En installant une application de suivi de l'alcool sur votre iPhone, vous pouvez enregistrer et suivre efficacement votre consommation d'alcool. Ces applications vous permettront de modifier considérablement vos habitudes de consommation. De plus, ces applications offrent de nombreuses autres fonctionnalités utiles qui vous permettent de déterminer le niveau d'alcoolémie, de suivre votre consommation moyenne d'alcool, de télécharger et de partager des rapports sur la consommation d'alcool, etc.

De nombreuses applications de suivi de l'alcool sont disponibles pour votre iPhone. Plongeons sur certains d'entre eux.


Les articles d'un intérêt particulier, publiés récemment, ont été soulignés comme : • D'importance •• D'importance majeure

Chan S, Torous J, Hinton L, Yellowlees P. Télé-santé mentale mobile : applications croissantes et évolution vers des modèles de soins hybrides. Soins de santé. 20142(2) : 220.

Chan S, Torous J, Hinton L, Yellowlees P. Applications psychiatriques : auto-évaluation du patient, communication et interventions thérapeutiques potentielles. Dans : Mucic D, Hilty D, éditeurs. E-santé mentale. Bâle : Karger Medical and Scientific Publishers 2015.

Poushter J. La possession de smartphones et l'utilisation d'Internet continuent d'augmenter dans les économies émergentes. Centre de recherche Pew. 2016. http://www.pewglobal.org/2016/02/22/smartphone-ownership-and-internet-usage-continues-to-climb-in-emerging-economies/. Consulté le 15 septembre 2017.

Wu Q, Sum K, Nathan-Roberts D, éditeurs. Comment les trackers de fitness facilitent le changement de comportement en matière de santé. Actes de la réunion annuelle de la Human Factors and Ergonomics Society 2016 : SAGE Publications Sage CA : Los Angeles, CA.

• Bennion M, Hardy G, Moore R, Millings A. E-thérapies en Angleterre pour le stress, l'anxiété ou la dépression : qu'est-ce qui est utilisé dans le NHS ? Une enquête sur les services de santé mentale. BMJ Ouvert. 20177(1):e014844. Les auteurs dressent une liste très complète d'applications et de programmes de dépression, de TCC et d'autres programmes de santé mentale utilisés dans le système de santé britannique. Leurs efforts soulignent pourquoi les rapports sur les applications sont nécessaires, car les composants et les fiducies du système de santé britannique ne recueillaient pas systématiquement de statistiques d'utilisation.

Boulos MN, Wheeler S, Tavares C, Jones R. Comment les smartphones changent le visage des soins de santé mobiles et participatifs : un aperçu, avec l'exemple d'eCAALYX. Biomed Eng en ligne. 201110:24. https://doi.org/10.1186/1475-925X-10-24.

Glick G, Druss B, Pina J, Lally C, Conde M. Utilisation de la technologie mobile dans un cadre communautaire de santé mentale. J Télémédecine Télésoins. 201622 (7) : 430–5. https://doi.org/10.1177/1357633x15613236.

Le juge en chef Miller, McInnes DK, Stolzmann K, Bauer MS. Intérêt pour l'utilisation de la technologie pour les soins de santé chez les vétérans recevant un traitement pour la santé mentale. Télémed J E Santé. 201622(10) :847–54. https://doi.org/10.1089/tmj.2015.0190.

• Gregory JM, Sukhera J, Taylor-Gates M. Intégration de la technologie des smartphones au moment de la sortie d'une unité de psychiatrie pour enfants et adolescents hospitalisés. J Can Acad Pédopsychiatrie. 201726(1) : 45-50. Cet article est intéressant et unique car il met en œuvre des recommandations d'applications et le téléchargement dans un hôpital psychiatrique pour enfants hospitalisés au Canada. Les auteurs notent qu'il n'y a pas d'autres recherches sur les smartphones dans les unités d'hospitalisation.

Ben-Zeev D, Fathy C, Jonathan G, Abuharb B, Brian RM, Kesbeh L, et al. mHealth pour la santé mentale au Moyen-Orient : besoin, utilisation de la technologie et état de préparation chez les Palestiniens de Cisjordanie. Asiatique J Psychiatr. 201727:1–4.

Menon V, Rajan TM, Sarkar S. Applications psychothérapeutiques des technologies basées sur la téléphonie mobile : une revue systématique des recherches et tendances actuelles. Journal indien de médecine psychologique. 201739(1) :4-11. https://doi.org/10.4103/0253-7176.198956.

Moitra E, Gaudiano BA, Davis CH, Ben-Zeev D. Faisabilité et acceptabilité de l'évaluation écologique momentanée post-hospitalisation chez les patients atteints de troubles du spectre psychotique. Compr Psychiatrie. 201774 : 204-13. https://doi.org/10.1016/j.comppsych.2017.01.018.

Kim J, Lim S, Min YH, Shin YW, Lee B, Sohn G, et al. Dépistage de la dépression à l'aide d'évaluations quotidiennes de la santé mentale d'une application pour smartphone pour les patientes atteintes d'un cancer du sein. J Med Internet Res. 201618(8):e216. https://doi.org/10.2196/jmir.5598.

Kenny R, Dooley B, Fitzgerald A. Évaluation écologique momentanée des problèmes d'adolescent, de l'efficacité d'adaptation et des états d'humeur à l'aide d'une application pour téléphone mobile : une étude exploratoire. JMIR Santé mentale. 20163(4):e51. https://doi.org/10.2196/mental.6361.

Barrigón ML, Berrouiguet S, Carballo JJ, Bonal-Giménez C, Fernández-Navarro P, Pfang B, et al. Profils d'utilisateurs d'un outil électronique de santé mentale pour l'évaluation momentanée écologique : MEmind. Int J Méthodes Psychiatr Res. 201726(1) https://doi.org/10.1002/mpr.1554.

Fitzpatrick KK, Darcy A, Vierhile M. Offrir une thérapie cognitivo-comportementale à de jeunes adultes présentant des symptômes de dépression et d'anxiété à l'aide d'un agent conversationnel entièrement automatisé (Woebot) : un essai contrôlé randomisé. JMIR Santé mentale. 20174(2):e19. https://doi.org/10.2196/mental.7785.

•• Miner AS, Milstein A, Schueller S, Hegde R, Mangurian C, Linos E. Agents conversationnels sur smartphone et réponses aux questions sur la santé mentale, la violence interpersonnelle et la santé physique. Stagiaire JAMA Med. 2016176(5) :619–25. https://doi.org/10.1001/jamainternmed.2016.0400. Cet article largement médiatisé montre comment les fonctionnalités du système d'exploitation (agents conversationnels comme Apple Siri et Google Now (maintenant Google Assistant)) peuvent être utilisées comme interventions de santé mentale. Le document a stimulé la discussion dans la presse populaire sur le rôle des agents de conversation dans la reconnaissance du suicide et de la violence domestique.

•• Maples-Keller JL, Bunnell BE, Kim SJ, Rothbaum BO. L'utilisation de la technologie de réalité virtuelle dans le traitement de l'anxiété et d'autres troubles psychiatriques. Harv Rev Psychiatrie. 201725(3) :103-13. https://doi.org/10.1097/HRP.0000000000000138. Ceci est un aperçu complet de l'état actuel de la réalité virtuelle dans le traitement psychiatrique.

Kirchner TR, Shiffman S. Déterminants spatio-temporels de la santé mentale et du bien-être: progrès dans l'évaluation momentanée écologique géographiquement explicite (GEMA). Soc Psychiatry Psychiatr Epidemiol. 201651(9):1211–23. https://doi.org/10.1007/s00127-016-1277-5.

Chow PI, Fua K, Huang Y, Bonelli W, Xiong H, Barnes LE, et al. Utilisation de la détection mobile pour tester des modèles cliniques de dépression, d'anxiété sociale, d'affect d'état et d'isolement social chez les étudiants. J Med Internet Res. 201719(3) :e62. https://doi.org/10.2196/jmir.6820.

Braun S, Annovazzi C, Botella C, Bridler R, Camussi E, Delfino JP, et al. Évaluer le stress chronique, les capacités d'adaptation et les troubles de l'humeur grâce à l'analyse de la parole : une « application vocale » d'auto-évaluation pour ordinateurs portables, tablettes et smartphones. Psychopathologie. 201649(6) :406–19. https://doi.org/10.1159/000450959.

Schriewer K, Bulaj G. Services de streaming musical en tant que thérapies d'appoint pour la dépression, l'anxiété et les symptômes bipolaires : convergence des technologies numériques, des applications mobiles, des émotions et de la santé mentale mondiale. Front de la santé publique. 20164:217. https://doi.org/10.3389/fpubh.2016.00217.

Depp C, Torous J, Thompson W. Systèmes d'alerte précoce basés sur la technologie pour le trouble bipolaire : un cadre conceptuel. JMIR Santé mentale. 20163(3):e42. https://doi.org/10.2196/mental.5798.

Place S, Blanch-Hartigan D, Rubin C, Gorrostieta C, Mead C, Kane J, et al. Les indicateurs comportementaux sur une plate-forme de détection mobile prédisent les symptômes psychiatriques validés cliniquement des troubles de l'humeur et de l'anxiété. J Med Internet Res. 201719(3):e75. https://doi.org/10.2196/jmir.6678.

Suhara Y, Xu Y, Pentland AS, éditeurs. DeepMood : prévision de l'humeur dépressive basée sur des histoires autodéclarées via des réseaux de neurones récurrents. Actes de la 26e Conférence internationale sur le World Wide Web 2017 : Comité directeur des conférences internationales sur le World Wide Web.

Wahle F, Kowatsch T, Fleisch E, Rufer M, Weidt S. Détection mobile et soutien aux personnes souffrant de dépression : un essai pilote dans la nature. JMIR Mhealth Uhealth. 20164(3):e111. https://doi.org/10.2196/mhealth.5960.

•• Association américaine de psychiatrie. Applications de santé mentale. Association américaine de psychiatrie. 2017. https://www.psychiatry.org/psychiatrists/practice/mental-health-apps. Consulté le 4 juillet 2017. La page Web fournit un aperçu complet de l'évaluation des applications et explique pourquoi cela est important.

Baumel A, Faber K, Mathur N, Kane JM, Muench F. Enlight : un outil complet d'évaluation de la qualité et du potentiel thérapeutique pour les interventions de cybersanté mobiles et Web. J Med Internet Res. 201719(3):e82. https://doi.org/10.2196/jmir.7270.

Stoyanov SR, Hides L, Kavanagh DJ, Zelenko O, Tjondronegoro D, Mani M. Échelle d'évaluation des applications mobiles : un nouvel outil pour évaluer la qualité des applications mobiles de santé. JMIR Mhealth Uhealth. 20153(1):e27. https://doi.org/10.2196/mhealth.3422.

Stoyanov SR, Hides L, Kavanagh DJ, Wilson H. Développement et validation de la version utilisateur de la Mobile Application Rating Scale (uMARS). JMIR Mhealth Uhealth. 20164(2):e72. https://doi.org/10.2196/mhealth.5849.

• Mani M, DJ Kavanagh, Hides L, Stoyanov SR. Examen et évaluation des applications iPhone basées sur la pleine conscience. JMIR Mhealth Uhealth. 20153(3):e82. https://doi.org/10.2196/mhealth.4328. Cela applique les critères MARS à l'évaluation des applications mobiles, en particulier dans les interventions de pleine conscience, et décompose les éléments de pleine conscience qui devraient être présents dans les applications.

Maheu MM, Nicolucci V, Pulier ML, Wall KM, Frye TJ, Hudlicka E. La boîte à outils interactive d'examen des applications mobiles (IMART) : un système axé sur la pratique clinique. Journal of Technology in Behavioral Science. 2017 : 1-13.

Laurie J, Blandford A. Prendre le temps de la pleine conscience. Int J Med Inform. 201696 : 38-50. https://doi.org/10.1016/j.ijmedinf.2016.02.010.

Kaipainen K, Valkkynen P, Kilkku N. Applicabilité de l'application mobile basée sur la thérapie d'acceptation et d'engagement dans les soins infirmiers en dépression. Transl Behav Med. 2016 https://doi.org/10.1007/s13142-016-0451-3.

Mares ML, Gustafson DH, Glass JE, Quanbeck A, McDowell H, McTavish F, et al. Mise en œuvre d'un système de santé mobile pour les troubles liés à l'utilisation de substances en soins primaires : une étude à méthodes mixtes des attentes initiales des cliniciens et des expériences de première année. BMC Med Informer Décis Mak. 201616(1):126. https://doi.org/10.1186/s12911-016-0365-5.

Robotham D, Satkunanathan S, Doughty L, Wykes T. Faire avons-nous toujours une fracture numérique en santé mentale? Un suivi d'enquête sur cinq ans. J Med Internet Res 201618(11):e309. https://doi.org/10.2196/jmir.6511.

Glass JE, McKay JR, Gustafson DH, Kornfield R, Rathouz PJ, McTavish FM, et al. La recherche de traitement comme mécanisme de changement dans un essai contrôlé randomisé d'une intervention de santé mobile pour soutenir le rétablissement des troubles liés à la consommation d'alcool. J Subst Abus Treat. 201777 : 57-66. https://doi.org/10.1016/j.jsat.2017.03.011.

Perski O, Blandford A, Ubhi HK, West R, Michie S. Choix d'applications pour smartphone par les fumeurs et les buveurs et attentes d'engagement : une étude de réflexion et d'entretien. Informatique médicale BMC et prise de décision. 201717(1):25. https://doi.org/10.1186/s12911-017-0422-8.

Rotondi AJ, Spring MR, Hanusa BH, Eack SM, Haas GL. Concevoir des applications de cybersanté pour réduire l'effort cognitif des personnes atteintes de maladie mentale grave : complexité des pages, simplicité de navigation et intelligibilité. Facteurs humains JMIR. 20174(1):e1. https://doi.org/10.2196/humanfactors.6221.

Ferron JC, Brunette MF, Geiger P, Marsch LA, Adachi-Mejia AM, Bartels SJ. Applications de téléphonie mobile pour le sevrage tabagique : qualité et convivialité chez les fumeurs atteints de psychose. Facteurs humains JMIR. 20174(1):e7. https://doi.org/10.2196/humanfactors.5933.

Westergaard RP, Genz A, Panico K, Surkan PJ, Keruly J, Hutton HE, et al. Acceptabilité d'une intervention de santé mobile pour améliorer la coordination des soins du VIH pour les patients souffrant de troubles liés à l'utilisation de substances. Science de la toxicomanie et pratique clinique. 201712(1):11. https://doi.org/10.1186/s13722-017-0076-y.

• Jennings L, Lee N, Shore D, Strohminger N, Allison B, Conserve DF, et al. Accès et utilisation des téléphones portables par les jeunes sans-abri des minorités américaines : implications pour la conception des interventions mHealth. J Santé Commun. 201621(7) :725–33. https://doi.org/10.1080/10810730.2015.1103331. Cette recherche qualitative est un excellent exemple de lutte contre les stéréotypes selon lesquels les jeunes veulent des téléphones portables et partagent ouvertement leur vie. Il constate que les jeunes peuvent trouver les téléphones comme une source de harcèlement, de fardeau financier et de problème de confidentialité !

Bauer M, Glenn T, Monteith S, Bauer R, Whybrow PC, Geddes J. Perspectives éthiques sur la recommandation de la technologie numérique pour les patients atteints de maladie mentale. Revue internationale des troubles bipolaires. 20175(1):6. https://doi.org/10.1186/s40345-017-0073-9.

Sood M, Chadda RK, Singh P. La santé mobile (mHealth) en santé mentale : portée et applications dans les milieux à faibles ressources. Le journal médical national de l'Inde. 201629(6):341-3.

•• Naslund JA, Aschbrenner KA, Araya R, Marsch LA, Unutzer J, Patel V, et al. La technologie numérique pour traiter et prévenir les troubles mentaux dans les pays à revenu faible et intermédiaire : une revue narrative de la littérature. La lancette Psychiatrie. 2017 https://doi.org/10.1016/s2215-0366(17)30096-2. Cette revue contient de nombreux tableaux de programmes en ligne et de cybersanté pour la santé mentale englobant l'adhésion, les soutiens au rétablissement et l'auto-assistance, ainsi que le dépistage et l'éducation des travailleurs de la santé mentale.

Sobowale K, Torous J. Psychiatrie des catastrophes en Asie : le potentiel des smartphones, des technologies mobiles et connectées. Asiatique J Psychiatr. 201622:1–5. https://doi.org/10.1016/j.ajp.2016.03.004.

Musyimi CW, Mutiso VN, Haji ZR, Nandoya ES, Ndetei DM. Dépistage mobile de la dépression mhGAP-IG au Kenya. Community Ment Health J. 2016 https://doi.org/10.1007/s10597-016-0072-9.

Hashemi B, Ali S, Awaad R, Soudi L, Housel L, Sosebee SJ. Faciliter le dépistage de la santé mentale des populations déchirées par la guerre à l'aide d'applications mobiles. Soc Psychiatry Psychiatr Epidemiol. 201752(1) : 27-33. https://doi.org/10.1007/s00127-016-1303-7.

Armontrout J, Torous J, Fisher M, Drogin E, Gutheil T. Santé mentale mobile : naviguer dans les nouvelles règles et réglementations pour les outils numériques. Curr Psychiatry Rep. 201618 (10):91. https://doi.org/10.1007/s11920-016-0726-x.

• Torous J, Roberts LW. L'utilisation éthique de la technologie de la santé mobile en psychiatrie clinique. J Nerv Ment Dis. 2017205(1):4-8. https://doi.org/10.1097/nmd.0000000000000596. Celui-ci traite des questions éthiques que les cliniciens devraient prendre en compte avant de recommander des technologies, de la façon dont les données sont vendues, de la façon dont les gouvernements et les entités commerciales surveillent les utilisateurs, et comprend un tableau des technologies de « reconnaissance automatisée des émotions ».

Hilty DM, Crawford A, Teshima J, Chan S, Sunderji N, Yellowlees PM, et al : Un cadre pour la formation en télépsychiatrie et la cybersanté : éducation basée sur les compétences, évaluation et implications. Int Rev Psychiatry 201527(6):569–92.

Hilty DM, Chan S, Torous J, Mahautmr J, Mucic DM : Nouvelles frontières dans les soins de santé et la technologie : des options mentales basées sur Internet et le Web émergent pour compléter les options de soins en personne et télépsychiatriques. J Health Med Informatics 20156(4):1-14.


Un cadre de télésanté pour la santé mobile, les téléphones intelligents et les applications : compétences, formation et développement du corps professoral

Des technologies telles que les smartphones et les applications remodèlent la vie, les soins de santé et les affaires. Les cliniciens ont besoin de compétences, de connaissances et d'attitudes pour assurer des soins de qualité et superviser la génération actuelle de stagiaires, conformément au Sommet éducatif sur les professions de la santé de l'Institute of Medicine. La littérature est intégrée sur des thèmes axés sur les patients, les apprenants, les compétences et les résultats dans les domaines de la technologie, des soins de santé, de la pédagogie et des affaires. Les compétences relatives à la santé mobile, aux smartphones/appareils et aux applications sont organisées dans les domaines jalons du Conseil d'accréditation pour l'enseignement médical supérieur (ACGME) des soins aux patients, des connaissances médicales, de l'apprentissage et de l'amélioration basés sur la pratique, de la pratique basée sur les systèmes, du professionnalisme et des compétences interpersonnelles et la communication. Des méthodes d'enseignement sont suggérées pour aligner les résultats des compétences, le contexte d'apprentissage et l'évaluation. Les services de santé mobile, de smartphone/appareil et d'applications ont une portée plus large que les soins en personne, la télésanté et la télécomportementale. Cela comprend l'aide à la décision clinique en médecine, la prestation hybride et l'intégration entre les plateformes électroniques des systèmes de santé. Un programme comprenant des séminaires, un enseignement basé sur des cas et des problèmes, une supervision, une évaluation et des pratiques d'amélioration de la qualité est nécessaire pour atteindre les résultats des compétences. Les cliniciens doivent ajuster l'évaluation, le triage et le traitement et relever les défis éthiques, de confidentialité, de sécurité et autres. Les systèmes de santé doivent gérer le changement, planifier de manière proactive le développement du corps professoral et créer une e-culture positive pour l'apprentissage. Des recherches sont nécessaires sur la mise en œuvre et l'évaluation des compétences en santé mobile pour ce changement de paradigme important dans les soins de santé.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Résultats

Formation d'habitudes au fil du temps

Nous avons d'abord examiné si la force de l'habitude augmentait avec le temps. La figure 3 montre une augmentation significative d'environ 0,8 SD (une grande taille d'effet selon Cohen, 1992) de la force d'habitude sur une période de 110 jours avec une augmentation plus forte au début de la période d'étude, se stabilisant à la fin. Tant la tendance linéaire (t = 15.30, p < 0,001) et la tendance quadratique (t = 𢄣.39, p < 0,001) étaient significatifs. Ajout des pentes aléatoires pour le linéaire (Wald Z = 5.37, p < 0,001) et quadratique (Wald Z = 2.40, p < 0,05) a amélioré l'ajustement du modèle, montrant que la formation d'habitudes différait selon les participants.

Figure 3. Force d'habitude ajustée en fonction du temps, avec des bandes de confiance à 95%.

Effets de la performance comportementale conforme aux objectifs et de la capacité de contrôle de soi sur la formation d'habitudes

Le tableau 1 montre les résultats d'une analyse hiérarchique à plusieurs niveaux de la formation des habitudes. Comme on peut le voir dans le modèle 2, la force de l'habitude est plutôt stable et fortement prédite par la force de l'habitude décalée lors de la mesure précédente de l'habitude. Néanmoins, la saisie de la capacité de maîtrise de soi décalée et des performances comportementales conformes aux objectifs au cours de la période de temps au cours des deux mesures de la force des habitudes a encore augmenté l'ajustement du modèle. La capacité de maîtrise de soi n'a pas contribué à une plus grande force d'habitude 7 . Cependant, les participants qui ont adopté le comportement choisi par eux-mêmes de manière plus cohérente (proportion plus élevée de performances comportementales conformes aux objectifs 8 ), ont montré des augmentations plus importantes de la force de l'habitude. Conformément à la tendance de la formation de l'habitude montrée précédemment, le moment de la mesure (c'est-à-dire la énième fois) a eu une petite influence négative sur l'augmentation de la force de l'habitude. Ceci est en ligne avec l'augmentation plus faible de la force de l'habitude plus tard au cours de la période d'étude.

Tableau 1. La régression à plusieurs niveaux de la force de l'habitude.


Contexte et résumé

Le 11 mars 2020, l'Organisation mondiale de la santé (OMS) a qualifié la nouvelle maladie à coronavirus appelée COVID-19 de pandémie 1,2. Pour tenter de limiter la propagation de la maladie, les gouvernements du monde entier ont adopté des mesures de confinement sans précédent qui ont eu un effet immédiat sur les activités, les routines ou les moyens de subsistance habituels de nombreuses personnes 3,4 . L'Espagne est rapidement devenue l'un des pays européens les plus touchés, comptant 9 785 cas diagnostiqués et 136 décès liés au COVID début 5 mars (décompte cumulé avant le verrouillage, le 14/03/20), passant à 239 429 cas diagnostiqués et 27 117 décès à la fin du 5 mai. Le 14 mars, le gouvernement espagnol a imposé un confinement généralisé visant à minimiser les contacts sociaux et à éviter l'effondrement du système de santé national 6 . Les mesures de confinement mises en place, qui comptent parmi les plus restrictives et prolongées au monde, ont consisté à fermer écoles et universités, à réduire drastiquement la mobilité de la population et à interrompre toute activité industrielle non essentielle à l'échelle du pays 7 .

Les mesures de confinement et la crise sanitaire du COVID-19 elle-même ont entraîné des changements dramatiques dans le comportement et le mode de vie des gens, dont l'impact psychologique négatif potentiel a été rapidement reconnu 8,9 . En termes de santé mentale publique, les niveaux d'anxiété, de stress et de dépression devraient augmenter 10 . Des informations précises sur la réaction émotionnelle de la population aux événements en cours sont donc importantes pour anticiper au mieux les besoins de soutien psychosocial et d'élaboration de politiques fondées sur des preuves. Depuis l'épidémie mondiale de COVID-19, plusieurs études ont tenté de résoudre ce problème important en rassemblant des données sur le bien-être psychologique et émotionnel 8,11,12 . Toutes ces études ont utilisé des enquêtes transversales, qui capturent une description statique de l'expérience émotionnelle de la population. Cependant, des recherches sur la dynamique de l'affect ont montré que l'identification du modèle spécifique de variations des sentiments, des humeurs et des émotions sur des périodes prolongées peut être essentielle pour comprendre et prédire l'ajustement psychologique et le bien-être 13 . À titre d'exemple frappant, les preuves provenant de divers paradigmes de recherche suggèrent que les troubles de l'humeur et de l'anxiété (par exemple, la dépression, le trouble bipolaire) peuvent être identifiés par des différences dans la dynamique de l'expérience affective 14 .

Afin de fournir des données longitudinales, librement disponibles et géolocalisées sur les variations de l'humeur sur le territoire espagnol, nous avons lancé un projet de science citoyenne appelé CoVidAffect. Le projet comprend la collecte et la conservation d'une base de données des changements individuels dans le sentiment subjectif (valence) et l'activation physique (éveil) pendant le confinement COVID-19 en Espagne. Les participants de tout le pays ont régulièrement rapporté ces deux dimensions fondamentales de l'émotion via le site Internet du projet ou via une application pour smartphone, développée spécifiquement à cet effet. Au moyen de cette méthodologie, le projet visait à offrir des données longitudinales pour suivre la dynamique de l'humeur pendant la crise COVID-19 et ses différentes étapes de confinement, au lieu d'impressions statiques fournies par des questionnaires ponctuels.

Nous avons suivi les variations d'humeur entre le 28 mars 2020 et le 21 juin 2020, date à laquelle l'état d'alerte national a été levé, permettant ainsi des contacts sociaux et une mobilité sans restriction. Il est important de noter que la désescalade du confinement strict initial vers le stade de la « nouvelle normalité », s'est effectuée progressivement en phases bien définies qui peuvent être contrastées avec les données longitudinales de notre étude pour étudier les effets possibles de différentes mesures. et les politiques sur le bien-être émotionnel de la population. Comme le confinement devait avoir un impact différent sur chaque participant, en fonction de son contexte particulier, nous avons également collecté des informations contextuelles, telles que le statut socio-économique, l'espace de vie, les changements d'emploi et les niveaux d'activité physique.L'ensemble de données que nous décrivons et publions ici comprend les variations quotidiennes de l'humeur des participants, des informations contextuelles initiales et des rapports hebdomadaires sur les changements de variables contextuelles. Il s'agit, à notre connaissance, du premier ensemble de données qui suit longitudinalement les variations d'humeur pendant le confinement du COVID-19. Les données fournies peuvent être utilisées pour étudier les aspects de l'impact psychologique de la crise du COVID-19 sur la population touchée. Les chercheurs, organisations et autorités intéressés peuvent explorer diverses façons d'exploiter ces données pour quantifier la réponse émotionnelle de la population à des mesures et politiques spécifiques, et pour comprendre l'effet de certaines variables contextuelles sur la régulation émotionnelle et la résilience psychologique. Il est important de noter qu'à notre connaissance, il s'agit du premier ensemble de données qui offre la possibilité d'étudier le comportement de la dynamique des affects dans une situation de verrouillage.


Méthodes

L'étude actuelle faisait partie d'un essai clinique enregistré sur Clinical Trials.gov (ID: NCT01365416) le 3 juin 2011. Cette étude a reçu un avis favorable à mener par le comité d'éthique de la recherche London-Riverside (Référence: 11LO935 ). Le recrutement a eu lieu entre septembre 2014 et juillet 2015. Les participants pouvaient utiliser les applications aussi longtemps qu'ils le souhaitaient, même si leur activité n'était surveillée que pendant la durée de l'étude. La section sur les méthodes passe maintenant en revue les objectifs, les participants et les mesures de la présente étude.

La présente étude a quatre objectifs :

Surveillez à distance l'activité physique des patients avant et/ou après une chirurgie bariatrique via l'application Moves.

Surveillez à distance les autres variables liées à la santé des mêmes patients (poids, humeur, éveil et satisfaction) via une application compagnon de perte de poids, appelée application WLCompanion.

Évaluer la relation entre l'activité physique et d'autres variables liées à la santé à l'aide d'analyses de régression.

Identifiez les principaux facilitateurs et obstacles rencontrés par les patients en utilisant les applications via une enquête informée par TDF.

Participants

Pour être éligibles à l'étude, les patients devaient être ambulatoires, être âgés de 18 à 65 ans, avoir un indice de masse corporelle > 35 kg/m 2 , avoir accès à un smartphone Apple ou Android, et être envisagés pour une chirurgie bariatrique ou avoir déjà subi leur chirurgie (y compris pontage gastrique, anneau ou manchon). Les patients susceptibles d'être éligibles ont été approchés et recrutés lors de rendez-vous ambulatoires à l'Imperial Weight Centre, St. Mary's Hospital, Londres. Le recrutement a commencé en septembre 2014 et les participants étaient à différentes étapes de leur parcours de perte de poids.

Dans le cadre du recrutement, les participants qui ont consenti à participer ont accepté les termes et conditions des applications et ont autorisé l'équipe de recherche à accéder à leurs données anonymisées. Les participants ont reçu un lien d'assistance qui les a dirigés vers un site Web pour en savoir plus sur les progrès du programme de recherche et leur a permis d'envoyer des commentaires individuels à l'équipe de recherche. Il a été demandé aux participants à chacune de leurs visites de suivi à la clinique s'ils souhaitaient continuer à participer à l'étude et pouvaient se retirer à tout moment et sans donner de raison et sans que cela n'affecte leur traitement. Un sous-ensemble de participants recrutés de manière opportuniste a également été invité à répondre à un sondage TDF à l'Imperial Weight Centre. Les sondages ont été remplis sur un iPad à l'aide du logiciel Qualtrics. La figure 1 montre l'organigramme des participants à l'étude. Les informations démographiques sur les participants sont fournies dans le tableau 1.

Flux des participants à travers l'étude

Mesures collectées par les applications

Pour accéder aux deux applications, les participants ont reçu un lien pour les télécharger sur leurs smartphones. Toutes les données recueillies ont été anonymisées à l'aide de codes numériques. L'objectif principal des applications était de minimiser le niveau direct d'implication humaine : en installant l'application de suivi de l'activité physique sur le téléphone mobile des participants, la collecte de données sur leur activité physique n'obligeait pas les utilisateurs à faire plus que porter passivement leur téléphone. avec eux dans leurs activités quotidiennes. L'application compagnon a envoyé aux participants des invites pour encourager l'activité physique et des rappels pour saisir manuellement leur poids et d'autres données liées à la santé. Les participants pouvaient personnaliser les informations qu'ils souhaitaient enregistrer et la fréquence à laquelle ils souhaitaient recevoir des rappels pour le faire en modifiant leurs paramètres directement sur l'application. Les participants ont également été encouragés à télécharger et à partager leurs données avec leurs médecins généralistes, amis ou médecins spécialistes pour mettre en évidence leurs progrès et discuter de la manière dont ils pourraient s'en sortir.

Application Moves : mesure de l'activité physique

L'activité physique des participants était automatiquement enregistrée via leurs smartphones, à l'aide d'une application appelée Moves, développée par ProtoGeo. Moves a été sélectionné car il s'agissait de l'une des applications gratuites les plus utilisées avec une interface acceptable pour recueillir des données expérimentales. De plus amples informations sur cette application sont fournies dans le fichier supplémentaire 1. L'activité physique enregistrée sur l'application comprenait la marche, le vélo et la course, et grâce à l'application, les participants ont pu afficher la distance, la durée, les pas et une estimation des calories brûlées pendant chacune de ces activités. Moves mesure l'activité physique des utilisateurs via l'accéléromètre intégré du téléphone et le système de positionnement global. Moves s'exécute en arrière-plan d'un téléphone et transmet les données à un serveur lorsque le téléphone dispose d'une connexion Internet.

Pour que les données Moves quotidiennes des participants soient incluses dans l'analyse finale, les services de localisation de leur smartphone devaient être activés 50% du temps entre 6h00 et 22h00 pendant au moins une journée. Ce critère ne doit pas suggérer qu'une journée est une durée suffisante pour mesurer l'activité physique quotidienne courante d'une personne, ces données ont plutôt été incluses dans la présente étude car elles aident à comprendre la faisabilité des participants utilisant l'application dans une capacité de soins, par ex. validité écologique. L'activité physique enregistrée a été classée pour nos analyses comme suit : 1) temps de marche moyen par jour, 2) temps moyen passé à marcher à > 80 pas/min, c'est-à-dire MVPA, et 3) nombre moyen de MVPA dans des périodes ≥10 min de activité par jour.

Application WLCompanion : mesure du poids, de l'humeur, de l'éveil et de la satisfaction

D'autres données liées à la santé ont été enregistrées via les smartphones des participants à l'aide d'une application associée appelée WLCompanion développée par l'Imperial College de Londres. Une capture d'écran de cette application est fournie dans le fichier supplémentaire 1. WLCompanion a rappelé aux participants d'entrer leur poids en kilogrammes (ou de pierres et de livres) et d'évaluer leur humeur, leur état d'éveil et leur satisfaction sur des échelles de Likert à cinq points. Les participants choisissent s'ils souhaitent qu'on leur rappelle de saisir ces données quotidiennement ou hebdomadairement. Les participants ont également pu enregistrer d'autres activités liées à la santé que l'application Moves ne pouvait pas, par ex. nager. De plus, l'application WLCompanion a présenté des informations sommatives sur les progrès des participants sur la base des données de Moves et de WLCompanion. Les participants et l'équipe de recherche pouvaient voir cette information sommative.

Technique de changement de comportement

Les applications décrites ci-dessus pourraient provoquer des changements de comportement liés à la perte de poids. S'appuyant sur les travaux de Michie, Atkins et West [34], les techniques de changement de comportement utilisées dans la présente étude sont les suivantes : objectifs et planification, rétroaction et suivi et associations. Concernant les objectifs et la technique de planification, les participants ont pu fixer des objectifs hebdomadaires sur leur activité physique. Concernant la technique de retour d'information et de suivi, les participants ont pu auto-surveillance leur humeur et la satisfaction de leur perte de poids, et a reçu rétroaction sur les résultats du comportement sous forme de rapports sommatifs. Enfin, concernant la technique des associations, les participants ont reçu instructions qui comprenait des rappels de pesée hebdomadaires et des messages leur disant de faire plus d'exercice s'ils prenaient du retard. Ces techniques de changement de comportement sont liées à l'enquête TDF.

Enquête TDF

L'enquête informée par TDF a été conçue pour capturer les facilitateurs et les obstacles rencontrés par les participants lors de l'utilisation des applications [33]. Le TDF est un outil important pour améliorer la mise en œuvre de la pratique fondée sur des données probantes et permet aux équipes de recherche de prendre en compte des facteurs supplémentaires qui peuvent influencer le comportement. Le TDF est un outil largement utilisé dans une gamme de paramètres de soins de santé et de changement de comportement [35] et a été signalé comme un cadre valide autour duquel développer des inventaires [33]. Le TDF se compose de 14 domaines dont 13 ont été mesurés dans ce projet, le domaine « Optimisme » a été exclu car il chevauchait trop conceptuellement le domaine « Croyances dans les conséquences ». Chaque domaine a été évalué avec 3 à 11 items. Chaque élément a été présenté sous forme d'énoncé, et les participants ont indiqué leur accord avec cet énoncé sur une échelle de Likert en cinq points. Par exemple, un élément conçu pour évaluer le domaine « Contexte environnemental et ressources » disait : « Je garde toujours mon téléphone chargé » [les options de réponse vont de 1 = pas du tout d'accord et 5 = tout à fait d'accord]. Les éléments de l'enquête apparaissent dans le fichier supplémentaire 2.

L'analyse des données

Pour évaluer et établir des relations par rapport aux outils de suivi de la santé, une série d'analyses statistiques ont été menées. Premièrement, des analyses de régression linéaire ont été menées pour examiner la relation entre l'activité physique et d'autres variables liées à la santé (humeur, éveil, interaction entre l'humeur et l'éveil, satisfaction, âge et stade de la chirurgie). Au lieu de la petite taille des échantillons, ces résultats doivent être interprétés à titre exploratoire.

Deuxièmement, afin d'identifier les facilitateurs et les obstacles à l'utilisation des applications, ce qui est considéré comme important dans l'adoption des applications mobiles pour la surveillance à distance de l'activité physique, les réponses des participants à l'enquête informée par TDF ont été examinées de manière descriptive. Les données comprenaient 54 participants. Parmi ces participants, 11 étaient à une étape préopératoire de leur parcours et ont donc rempli des éléments liés à leurs intentions postopératoires mais pas à leurs comportements postopératoires. Pour examiner les réponses des participants, les 13 scores de domaine de chaque participant ont été obtenus en calculant les réponses moyennes de chaque participant aux éléments de chaque domaine. Ensuite, les scores de domaine globaux des participants ont été obtenus en calculant les scores de domaine médians des participants pour chacun des 13 domaines, ainsi que les 25e et 75e centiles. Les réponses des participants ont été codées de telle sorte que des scores plus faibles indiquaient un plus grand obstacle à leur activité physique.


1. Introduction

(1) Méthodes de recherche actuelles en psychologie. L'informatique est sur le point d'avoir un impact énorme sur la psychologie. Outre les expérimentations et les questionnaires, il met en place une troisième technique de recherche fondamentale : l'observation de l'interaction homme-appareil à très grande échelle. Il permet aux psychologues d'analyser des variables telles que les traits de personnalité (par exemple, extraversion contre introversion), les aptitudes (par exemple, politiques) et les fonctions cognitives (par exemple, processus de vieillissement cognitif), ainsi que le comportement (par exemple, conduite dangereuse ou style de vie actif ). Suivi de centaines de milliers d'utilisateurs, le Big Data résultant nécessite une modélisation et un nettoyage substantiels. Cependant, sa taille en combinaison avec des techniques d'apprentissage automatique tire parti de la puissance statistique (nous nous référons aux problèmes de faux positifs plus loin). Plus important encore, il évite la plupart des sources de biais, car le comportement d'intérêt est directement enregistré. De nombreux biais sont inhérents aux mesures psychologiques standard, par exemple, la tendance à répondre aux mesures d'auto-évaluation d'une manière socialement souhaitable (par exemple, [1]) ou de véritables problèmes cognitifs pour répondre à certaines questions telles que 𠇌ombien d'heures dépenser sur votre smartphone ?”, une évaluation qui est fortement mise à mal par les distorsions temporelles [2]. Pourtant, l'approche pionnière de la psychoinformatique pose également des défis importants aux deux sciences impliquées. Plus important encore, les deux doivent apprendre à coopérer et finalement façonner une toute nouvelle discipline : la psychoinformatique [3]. Yarkoni [4] décrit la psychoinformatique comme “… une discipline émergente qui utilise des outils et des techniques de l'informatique et des sciences de l'information pour améliorer l'acquisition, l'organisation et la synthèse de données psychologiques.” (p. 391).

Traditionnellement, les sciences psychologiques reposent sur deux méthodes fondamentales de collecte de données : les expérimentations et les entretiens ou questionnaires [5]. Les premiers explorent un aspect très particulier dans un cadre restreint et entièrement contrôlé. Ces derniers évaluent le comportement plus large d'une personne au moyen d'un questionnaire d'auto-évaluation ou d'entretiens (potentiellement structurés) [6]. Ces méthodes souffrent de défauts inhérents. Les expériences sont généralement limitées à un seul point de données (c'est-à-dire une expérience) en considérant un petit nombre d'utilisateurs (qui doivent généralement être incités à participer). Il est clair qu'il existe également des expériences longitudinales, bien qu'elles soient menées moins fréquemment en raison du coût et de l'effort élevés impliqués. Les questionnaires d'auto-évaluation et les entretiens rencontrent également des problèmes, car les humains ont du mal à se souvenir de manière fiable des événements passés, et ils sont en outre soumis à diverses sources de biais (par exemple, les tendances susmentionnées à la désirabilité sociale La désirabilité sociale fait référence au préjugé humain à se présenter d'une manière jugée « appropriée » compte tenu de certaines demandes ou normes sociétales). En revanche, l'informatique moderne introduit des méthodes entièrement nouvelles pour évaluer le comportement des participants de manière longitudinale, à grande échelle, et par rapport aux auto-évaluations, d'une manière plutôt objective. L'informatique en tant que discipline est largement concernée par la mise en œuvre d'algorithmes à l'aide d'ordinateurs (ou de dispositifs similaires). Pour les besoins de cet article, nous nous référons à la façon dont les algorithmes peuvent être utilisés sur les appareils mobiles pour analyser les « Big Data. technologies numériques.

(2) Les développements de l'industrie informatique cèdent la place à la psycho-informatique. Au cours des vingt dernières années, l'industrie informatique a produit un large éventail de technologies puissantes, qui sont devenues omniprésentes dans la vie quotidienne. Les smartphones et autres appareils mobiles offrent une connectivité constante et, ce faisant, ont changé notre vie quotidienne [7𠄹]. Avec les plateformes en ligne telles que Facebook, ils sont devenus un lieu central pour communiquer, faire du shopping, jouer ou étudier. En conséquence, les technologies numériques sont omniprésentes dans la vie quotidienne et les données de ces appareils pourraient être enregistrées à grande échelle. Enfin, un matériel bon marché nous permet de stocker et d'analyser de grandes quantités de données à peu de frais. Ces nouvelles innovations techniques soutiennent les méthodes psychologiques classiques, telles que les expériences et les questionnaires [10]. Premièrement, ils permettent de mettre en œuvre des expérimentations psychologiques via les téléphones portables [11]. Dans cette dernière étude de Dufau et al., les chercheurs ont démontré la faisabilité de mener des expérimentations sur des smartphones en mettant en œuvre une tâche de décision lexicale sur ces appareils. Comme indiqué ci-dessous, cette nouvelle façon de mener des expériences et de collecter des données doit être comparée aux données acquises via des configurations expérimentales classiques pour garantir que des données de qualité égale peuvent être obtenues grâce à des méthodes psycho-informatiques. Est-il possible que des tests neuropsychologiques et autres batteries de tests classiques puissent être mis en œuvre sur des smartphones et être étudiés non seulement chez les patients mais aussi dans la population générale ? Les expériences psycho-informatiques peuvent être menées plusieurs fois par jour sur une période de temps prolongée, générant ainsi un plus grand nombre de points de données par utilisateur. Deuxièmement, ils permettent d'administrer des questionnaires sur des téléphones mobiles, demandant potentiellement au participant de fournir des données au niveau quotidien, collectant à nouveau plus de points de données par utilisateur [12]. Ici, une variable intéressante pourrait être l'évaluation de l'humeur ou l'inclusion d'un échantillonnage d'expériences pour évaluer les activités de flux dans la vie quotidienne (le concept de flux est expliqué un peu plus loin dans l'article [13]). Cependant, les lacunes fondamentales des deux méthodologies demeureront. Seul un nombre limité d'utilisateurs peut être incité à mener régulièrement une expérience, et les questionnaires restent une source de biais (bien que, bien sûr, les inventaires d'auto-évaluation seront toujours importants en psychologie, par exemple, pour mettre en évidence les écarts entre le comportement réel enregistré et vue de soi). Cependant, la collecte de données a déjà bénéficié de ces technologies, par exemple, un traitement plus facile des données permis par le passage des questionnaires papier-crayon aux questionnaires administrés en ligne, qui éliminent les erreurs dans l'enregistrement des réponses des participants [14]. Cependant, comme la psycho-informatique considère principalement les variables dérivées de l'interaction homme-machine au niveau du système d'exploitation (contrairement au remplissage de questionnaires en ligne « simples »), les données nécessitent une préparation et un prétraitement importants par des informaticiens qualifiés avant d'être disponibles pour les applications classiques. analyses statistiques inférentielles. Ce point est discuté plus en détail dans la section sur le nettoyage des données.

Les capteurs électriques se sont considérablement améliorés et constituent une autre technologie puissante pour évaluer l'état et le comportement des humains. Ils peuvent mesurer le mouvement physique (via des accéléromètres) [15], la réponse galvanique de la peau [16] ou la fréquence cardiaque (variabilité) [17, 18]. Au cours des dix dernières années, ils sont devenus très rentables et nécessitent peu d'entretien de la part du participant. Premièrement, les capteurs peuvent envoyer leurs données automatiquement à un serveur via un smartphone. Deuxièmement, des processeurs efficaces et des batteries puissantes ont considérablement réduit le besoin de charger les capteurs [19], les trackers de fitness actuels, par exemple, fonctionnent une semaine entière avec une seule charge. Le développement rapide des technologies cède la place à l'Internet des objets (IoT), où les objets du quotidien tels que les machines à café ou le réfrigérateur sont connectés à Internet (voir également ci-dessous) et peuvent servir de sources de données.

(3) L'Internet des objets et la psychoinformatique. Comme indiqué ci-dessus, le principal avantage méthodologique offert par la psychoinformatique par rapport aux techniques psychologiques classiques est la possibilité de suivre l'interaction homme-machine directement sur l'appareil. Par exemple, on peut suivre l'interaction entre un utilisateur et son smartphone [20] ou sa voiture (intelligente) [21]. Cette approche peut également être étendue aux plateformes en ligne, telles que les réseaux sociaux [22] ou les sites marchands [23]. Les données sont capturées et transférées vers un serveur central pour une analyse plus approfondie, sans nécessiter aucune interaction de la part de l'utilisateur. Un tel suivi surpasse les méthodes traditionnelles en termes d'échelle et de qualité des données collectées. Premièrement, il permet aux chercheurs de suivre un très grand nombre de participants, jusqu'à des centaines de milliers.Deuxièmement, il collecte de nombreux points de données par jour, sans rien exiger du participant. Alors que les gens passent de plus en plus leur vie en ligne, les sources de données potentielles deviennent de plus en plus riches, fournissant finalement plus de points de données par jour. Simultanément, ces sources de données deviennent de plus en plus abondantes, à mesure que nos environnements deviennent de plus en plus numériques. Bientôt, nous pourrons suivre l'interaction avec les voitures intelligentes [24] et les machines à café [25].

Cette vision d'un monde, où chaque appareil dispose de puissances de calcul et d'une connectivité en ligne, est communément appelée « informatique cubique. » Le terme remonte aux travaux de Mark Weiser au Xerox PARC dans les années 1990 [26]. Entre-temps, il est devenu courant et désigne le domaine de recherche correspondant en informatique [27]. Dans une vision encore plus large, l'Internet des objets (IoT) ou Internet of Everything fait référence à un monde, où chaque élément est représenté et chaque processus est mené numériquement ou au moins documenté numériquement. Nécessitant un ensemble de normes convenues à l'échelle mondiale, l'IoT forme ainsi une sorte d'infrastructure sémantique. Chaque appareil dans ce monde produit des données, documentant ses actions. Le stockage et l'analyse de ces données sont communément appelés Big Data. Dans cette vision, il n'y a pas de relation causale entre la collecte de données et son analyse, c'est-à-dire que les données sont généralement analysées pour répondre à des questions qui n'étaient que vaguement connues, voire pas du tout, au moment de la collecte des données. Bien sûr, cette approche présente le danger de résultats faussement positifs, en particulier à la lumière des nombreuses variables d'intérêt à collecter via l'enregistrement de l'interaction homme-machine, ce qui entraîne des possibilités infinies de rechercher des corrélations significatives. Par conséquent, une réplication indépendante des résultats observés à partir d'ensembles de données psycho-informatiques et d'expériences de suivi soigneusement conçues (en laboratoire) sera nécessaire. Il existe de nombreuses visions de la façon dont la numérisation peut façonner notre monde. Comme point de départ pour une lecture plus approfondie, nous renvoyons les lecteurs aux travaux fondateurs de Rifkin [27, 28] et Brynjolfsson et McAfee [29].

(4) Le “Noise” dans le Big Data. Certes, les 𠇋ig Data” collectées via des méthodes psycho-informatiques contiennent une grande quantité de bruit. Cependant, comme la méthodologie génère autant de données sur autant d'utilisateurs, le signal devrait se séparer du bruit plus clairement que jamais. Par exemple, prenons un chercheur intéressé par l'investigation des fonctions cognitives, qui souhaite évaluer la fonction cognitive en étudiant la taille changeante du pool de mots de la langue d'une personne. Si le chercheur ne considère que l'utilisation des mots sur une journée, il est peu probable que l'ensemble de données soit très représentatif. Peut-être que ce jour-là, le participant n'a utilisé WhatsApp qu'avec son enfant, en écrivant avec des mots simples (enfantins). Cependant, en analysant l'utilisation des mots de cette personne sur une période plus longue, l'erreur type de la mesure diminue, car les interactions numériques avec un plus grand nombre de personnes peuvent être incluses dans l'analyse.

Enfin, le suivi ubiquitaire évite la plupart des sources de biais inhérentes aux questionnaires. Suivre directement l'interaction de l'utilisateur, par exemple sur un smartphone, reste sujet à certaines formes de biais (le sentiment d'être surveillé peut modifier le comportement d'une personne). Pourtant, celles-ci sont bien inférieures à celles présentes dans les expériences ou les questionnaires. De plus, après un court instant, les participants ne devraient plus penser au fait qu'ils sont suivis. Cela doit clairement être testé empiriquement, mais nous pouvons y penser en utilisant une analogie avec l'autoroute. Si une personne emménage dans un appartement dans une rue bruyante, elle sera clairement gênée par le bruit les premiers jours. Après un certain temps, cependant, le bruit est filtré par le cerveau humain et certaines personnes ne s'en rendent plus compte [30, 31]. Bien sûr, il y a une grande différence entre la conscience du bruit de la circulation et le fait d'être suivi par une autre personne. Néanmoins, l'histoire à succès des réseaux sociaux en ligne tels que Facebook démontre qu'un grand nombre de personnes ne sont pas trop préoccupées par leur vie privée numérique (au moins après un certain temps) sinon, elles reconsidéreraient leurs profils ouverts, etc.

Le suivi du comportement sur le smartphone est susceptible de donner le meilleur aperçu du comportement humain. Il capture divers aspects de la vie via un large éventail de méthodes (modèles de mouvement via GPS et exploration de texte pour déduire l'humeur, les modèles de communication et la taille du réseau social) [32, 33]. Il est chargé de capteurs. Il peut communiquer ses données de manière autonome à un serveur distant. Il sert de dispositif central pour accéder au Web, faire des achats en ligne, communiquer avec des amis et jouer à des jeux. Et, ce qui est important pour les budgets de recherche, la plupart des gens possèdent déjà un tel appareil. Selon statista.com [34], en 2016, plus de deux milliards d'humains utiliseront un smartphone. Avec cette énorme distribution de smartphones dans le monde, ils sont prédestinés à devenir la source de données la plus importante pour les scientifiques [35].

(5) La complexité des étapes de nettoyage des données. Les caractéristiques intrinsèquement différentes des données dérivées de l'interaction homme-machine nécessitent une mentalité entièrement différente de la part des chercheurs. Les Big Data, telles que celles générées par le suivi ubiquitaire, sont généralement caractérisées par les trois V : rapidité, variété, et le volume [36]. Les données arrivent à un rythme très élevé, dans des formats et des qualités variés, nécessitant des moyens de stockage conséquents. Ces données sont intrinsèquement erronées et sales. Pourtant, comme indiqué ci-dessus, le signal doit se séparer clairement du bruit (en raison de la quantité massive de points de données collectés). Alors que les chercheurs doivent bien sûr vérifier les données collectées (voir le nettoyage des données un peu plus bas), ils doivent également sacrifier le type de contrôle qu'ils ont traditionnellement dans une configuration expérimentale stricte. Au lieu de cela, ils doivent s'appuyer sur la puissance statistique d'un grand nombre de mesures.

Fréquemment, cette forme de recherche s'appuiera sur des données qui ont été recueillies à des fins entièrement différentes. Par exemple, un chercheur peut analyser les journaux d'un réseau social. Ou ils peuvent utiliser les informations de facturation d'un fournisseur de télécommunications. Une telle approche, commune aux applications Big Data, fait passer la recherche à l'analyse post hoc. La question scientifique posée n'a aucune influence sur la collecte des données. En fait, la question ne s'est peut-être pas posée au moment de la collecte des données. Ces données brutes, obtenues via diverses applications, nécessitent un traitement important. Au départ, il est souvent cryptique et échappe à l'analyse. Elle nécessite donc une modélisation importante avant de pouvoir être analysée. Ainsi, il peut y avoir beaucoup plus d'étapes de traitement, y compris diverses formes de nettoyage des données. La construction de modèles pour l'analyse des données remplacera en effet la conception expérimentale a priori en tant que défi « intellectuel » dans la recherche psychologique. Ce processus de nettoyage des données dépendra en grande partie de la question de recherche unique à l'étude.

Envisagez une étude sur les problèmes de productivité dans les environnements de travail numériques. On pourrait émettre l'hypothèse que parce que plus d'interruptions sont observées, moins de productivité devrait être observable, en raison de la perturbation de l'expérience susmentionnée de flux dans son travail. Le flux représente un état de concentration (productive) élevée, dans lequel les compétences d'une personne correspondent à la difficulté d'une tâche. Les smartphones peuvent nous distraire à un point où atteindre un état de flux devient impossible. L'étude porterait ainsi sur les interruptions dues aux smartphones dans la vie de tous les jours. Par conséquent, l'informaticien pourrait modéliser la fréquence à laquelle un smartphone est allumé et éteint. Ce processus de modélisation doit donc prendre en considération beaucoup de choses. Est-il plus intéressant d'évaluer la durée entre les sessions téléphoniques ? Ou doit-on calculer le temps global passé sur un smartphone chaque jour ? Faut-il compter le temps, lorsque le téléphone est utilisé pour écouter de la musique, mais pas de manière interactive ? Comment gérer les sessions ultracourtes sur smartphone, par exemple, lorsque l'écran du téléphone est allumé, mais que le téléphone n'est pas déverrouillé et qu'il n'y a plus d'interaction haptique ? La question de recherche précise à portée de main déterminera le nettoyage et la modélisation des données. Et toute solution nécessitera une étroite collaboration interdisciplinaire.

(6) Quel est l'agenda de recherche de la psychoinformatique ? Naturellement, il y a eu des efforts de collaboration antérieurs entre les domaines de la psychologie et de l'informatique. En particulier, les Interfaces Homme-Machine (IHM) désignent le domaine de l'informatique concerné par l'interaction entre les utilisateurs et les systèmes électroniques, par exemple, au moyen d'interfaces graphiques ou de signaux acoustiques. Cet axe de recherche comprend ainsi l'ingénierie de l'utilisabilité, l'apprentissage en ligne, l'interaction et la conception de l'information, entre autres. S'adressant immédiatement à l'utilisateur, il touche à de nombreux domaines couramment étudiés par les psychologues. En particulier, la discipline de l'informatique affective reconnaît, réagit ou imite l'affect humain [37]. Notamment, le projet HUMAINE a étudié les systèmes orientés émotions [38]. Pour une introduction, voir http://emotion-research.net/. Plus étroitement ciblée, l'interaction homme-robot se concentre sur l'interface entre les utilisateurs et les robots (humanoïdes), abordant ainsi également des aspects de la psychologie. Les deux domaines sont bien établis en informatique, comme le montrent les transactions IEEE sur l'informatique affective et la conférence internationale ACM/IEEE sur l'interaction homme-robot. Pourtant, issus de l'IHM, ces domaines de recherche se concentrent généralement sur les utilisateurs individuels et, jusqu'à présent, ont rarement utilisé les technologies Big Data. Eux aussi peuvent ainsi bénéficier du développement de la psychoinformatique.

La collaboration entre l'informatique et la psychologie permettra enfin à cette dernière d'appliquer plus concrètement nombre de leurs résultats scientifiques. Jusqu'à présent, de nombreuses recherches quantitatives en psychologie auraient certes pu avoir un impact plus pratique. Nous entendons par là que d'importantes recherches en psychologie sont menées dans le cadre d'expériences en laboratoire ou d'études par questionnaire soigneusement conçues, où il n'est pas clair si les résultats peuvent être généralisés à la vie réelle. Or, aujourd'hui, les résultats de la psychologie peuvent être validés dans la vie de tous les jours et intégrés dans la logique des systèmes informatiques. Les voitures reconnaîtront quand les conducteurs sont somnolents ou agités. Le logiciel d'apprentissage se rendra compte lorsque l'attention d'un élève glisse. Une telle « informatique affective » fera partie intégrante de la plupart des appareils qui nous entourent [37]. Ces applications apporteront une valeur pratique immédiate, non seulement à de nouvelles découvertes, mais aussi à de nombreux résultats psychologiques des décennies précédentes. Bien sûr, cela soulève également la question de savoir si la psychoinformatique créera son propre programme de recherche unique. D'après la littérature examinée dans cet article, il devient clair que la psychoinformatique permet de revisiter et de tester de nombreuses questions de recherche psychologique en dehors des paramètres de laboratoire stricts, dans la vie de tous les jours. Comme mentionné, de nombreuses informations psychologiques importantes ont été obtenues en laboratoire et, par conséquent, tester de tels résultats à plus grande échelle dans divers contextes posera un grand défi. De plus, comme pour toute nouvelle entreprise de recherche interdisciplinaire, nous sommes convaincus que de nouvelles questions se poseront également, dépassant les questions de recherche traditionnelles dans les deux domaines. Sur ce point, nous présentons un exemple issu de nos propres travaux sur l'application Menthal (voir description détaillée en annexe). Lorsque nous avons lancé le projet Menthal, nous voulions répondre à la question assez simple mais importante de savoir comment le smartphone domine nos vies. Notre application sur mesure a suivi des milliers de smartphones, enregistrant combien de temps les participants ont utilisé leur téléphone chaque jour et quelles applications sont les plus utilisées (et nous détournent le plus des tâches importantes). Quelques premiers résultats issus de ce projet sont présentés plus en détail ci-dessous. Lorsque nous avons analysé l'ensemble de données, nous avons pris conscience de l'énorme potentiel offert par ces données au-delà de la question de recherche initiale, nous avons pu étudier indirectement le comportement de sommeil de milliers de participants (une étude précédente de notre laboratoire montre qu'environ 36 % des les utilisateurs de smartphones utilisent leur smartphone dans les cinq dernières minutes avant de s'endormir et dans les cinq premières minutes après le réveil [39]) ou enquêtent sur les interruptions de la vie quotidienne et donc aussi sur les pertes de productivité, même pour de larges populations. De plus, en considérant le signal GPS, il serait possible de combiner des informations provenant de la localisation d'une personne et de l'activité du smartphone avec des informations sociodémographiques sur la région dans laquelle une personne séjourne. Il est également possible d'étudier comment le comportement d'une personne est influencé par la météo. à un instant donné. En principe, les données du smartphone, y compris son heure et son emplacement, pourraient être liées à de nombreuses variables externes. Bref, l'énorme volume de données provenant de grands échantillons permet de répondre à de nombreuses questions de recherche, qui étaient auparavant inconsidérées. De toute évidence, cela pose également des défis fondamentaux aux comités d'éthique pour déterminer ce qui peut et ne peut pas être étudié après la collecte des données. Alors que les smartphones et les réseaux sociaux peuvent être une source importante pour comprendre les processus psychologiques d'un individu, nous devons également garder à l'esprit que ces appareils sont conçus pour l'interaction sociale. Ainsi, la question se pose de savoir dans quelle mesure les processus individuels déterminés à partir des smartphones représentent vraiment les processus internes d'un individu ou si ces informations sont influencées par leurs interactions avec les autres via le smartphone.

(7) Une brève revue des premières études en psycho-informatique. Actuellement, les travaux qui relèvent du domaine de la psychoinformatique sont assez dispersés. Premièrement, il est publié dans deux communautés scientifiques assez distinctes (psychologie et informatique). Deuxièmement, ceux-ci sont encore plus fragmentés dans diverses sous-communautés (et différentes revues), qui ne sont pas nécessairement au courant des conclusions des autres. En général, les chercheurs emploient une gamme de techniques sur une variété d'ensembles de données, en utilisant des méthodologies orthogonales et poursuivant un large ensemble d'objectifs de recherche.

Ces dernières années, un nombre croissant d'études ont été menées, qui s'inscrivent largement dans la catégorie de la psycho-informatique. Le terme lui-même a été inventé indépendamment par plusieurs groupes de travail [3, 4]. Ces études portent principalement sur des sources de données proches du World Wide Web, comme les réseaux sociaux. Nous proposons une brève revue des études prédisant les variables psychologiques des réseaux sociaux en ligne, tels que Facebook, ou des canaux de communication, tels que Twitter.

Dans leur étude phare, Kosinski et al. [22] ont enquêté sur plus de 58 000 utilisateurs de Facebook et ont démontré qu'il est possible de prédire la sexualité, l'ethnicité ou les attitudes politiques à partir de Facebook “Likes” dans plus de 80 % des cas. Cette étude a également été en mesure de prédire la personnalité de Facebook “Likes” (bien que cela ait moins bien réussi à faire des prédictions au niveau individuel). La précision de la prédiction pour les Big Five de la personnalité était comprise entre 0,29 et 0,43 dans cette étude. Les différences individuelles de personnalité ont été évaluées avec l'International Personality Item Pool. Une corrélation de r = .40 suggère que 16% (c'est-à-dire, r = .40 2 ) de la variance des likes Facebook et du test de personnalité se chevauchent. Il est intéressant de noter que des corrélations d'une ampleur similaire entre les variables d'appel sur smartphone et la personnalité ont également été rapportées [20]. Récemment, Kosinski et al. [22] ont mentionné que ce type d'analyse de données peut être utile pour personnaliser le contenu Web et les publicités en ligne. En étudiant la plateforme de communication Twitter, Querica et al. [40] ont observé que les utilisateurs de Twitter influents et populaires sont extravertis et émotionnellement stables. Les humains extravertis peuvent être décrits comme socialement extravertis et récompensent sensibles, optimistes et parfois impulsifs [41�]. Qiu et al. [44] ont rapporté que des traits de personnalité tels que le névrosisme et l'agréabilité pouvaient également être prédits à partir de tweets. Les humains agréables sont des personnes sympathiques et s'adaptent facilement aux autres [45]. Bai et al. [46] ont également réussi à prédire la personnalité à partir de microblogs (en l'occurrence, la plateforme chinoise Sina). Dans cette étude, des variables telles que le nombre d'amis ou de followers sur le microblog étaient corrélées avec la personnalité. En résumé, un nombre croissant d'études présentent des preuves empiriques que les données de l'interaction homme-machine (par exemple, Facebook, Twitter et Sina) peuvent être étudiées pour prédire avec succès les variables psychologiques.

En plus d'exploiter les données de ces réseaux sociaux de premier plan, de nouvelles études prennent également en compte les smartphones. Dans la lignée des études précitées sur Facebook et Twitter, Montag et al. [20] ont étudié les variables d'appels et de SMS des smartphones pour prédire les traits de personnalité des utilisateurs de smartphones. Bien qu'il puisse sembler trivial que les extravertis aient été associés à une gamme de variables d'appel sur le smartphone (comme les extravertis sont socialement extravertis, on s'attendrait à ce que les extravertis utilisent davantage leur téléphone), il est intéressant de noter que la psychoinformatique aide les chercheurs à comprendre lequel du grand nombre de variables d'appel sur un smartphone est le plus fortement lié à l'extraversion. Compte tenu de variables telles que la durée des appels, le nombre d'appels sortants, le nombre d'appels entrants et les utilisateurs distincts appelés, il devient clair que cette question n'est pas aussi facile à répondre qu'il n'y paraît initialement. Dans l'étude de Montag et al. [20], le nombre d'appels sortants était le meilleur prédicteur de l'extraversion. Une étude antérieure de Chittaranjan et al. [47] a non seulement lié la personnalité aux variables du smartphone, mais a également fourni un outil d'apprentissage automatique pour prédire la personnalité à partir des variables du smartphone. Au-delà de la personnalité et de l'utilisation classique des smartphones, une autre étude récente fournit quelques premières informations sur la relation entre le comportement et la personnalité de WhatsApp [48]. Encore une fois, les extravertis ont davantage touché leurs réseaux sociaux (en termes d'utilisation plus longue de WhatsApp). De plus, les personnes peu consciencieuses restaient plus longtemps sur WhatsApp [48]. Les personnes peu consciencieuses pourraient être caractérisées comme étant moins diligentes et souvent pas à l'heure. Au lieu de suivre leurs routines quotidiennes, ils tergiversent sur les tâches de travail et passent trop de temps sur leurs smartphones. Un avantage clé de l'utilisation de méthodes psychoinformatiques pour enquêter sur la dépendance aux smartphones est mis en évidence par des travaux récents démontrant une distorsion temporelle significative associée à l'utilisation de smartphones, suggérant que les utilisateurs de smartphones peuvent être incapables d'évaluer avec précision la durée de temps qu'ils passent à utiliser leur appareil [2, 49].

Dufau et al. [11] suggèrent que les smartphones peuvent également être utilisés pour étudier des variables cognitives.Ici, il peut être possible d'observer des fluctuations des fonctions cognitives via le smartphone, ce qui se prête à l'étude du déclin cognitif dans les sociétés vieillissantes comme l'Allemagne. L'étude de Dufau et al. [11] est également pertinent d'un autre point de vue. En psychologie, les termes validité et fiabilité sont des concepts centraux pour la qualité et la généralisation des résultats des études psychologiques. Avant de pouvoir considérer les résultats de la psychoinformatique aux côtés des preuves collectées à partir d'approches psychologiques classiques, il faut tester systématiquement si les données recueillies à partir de questionnaires via des smartphones ou des canaux similaires produisent les mêmes propriétés psychométriques que les données obtenues via des questionnaires papier-crayon. Bien que cela soit probable (car la recherche a montré que les questionnaires papier-crayon et en ligne sont comparables en ce qui concerne les propriétés psychométriques, par exemple [50]), les données collectées à partir d'expériences menées sur des smartphones doivent être comparées à des expériences de laboratoire soigneusement menées.

Les études portant sur l'interaction homme-machine au-delà des smartphones ou des réseaux sociaux en ligne sont plutôt rares. Des premiers exemples intéressants montrent que l'extraction de données à partir des diagnostics embarqués (OBD) des voitures permettra d'identifier les comportements de conduite imprudente [51, 52] et que connecter votre réfrigérateur à Internet peut vous aider à suivre un régime alimentaire plus sain [53].


Les articles d'un intérêt particulier, publiés récemment, ont été soulignés comme : • D'importance •• D'importance majeure

Chan S, Torous J, Hinton L, Yellowlees P. Télé-santé mentale mobile : applications croissantes et évolution vers des modèles de soins hybrides. Soins de santé. 20142(2) : 220.

Chan S, Torous J, Hinton L, Yellowlees P. Applications psychiatriques : auto-évaluation du patient, communication et interventions thérapeutiques potentielles. Dans : Mucic D, Hilty D, éditeurs. E-santé mentale. Bâle : Karger Medical and Scientific Publishers 2015.

Poushter J. La possession de smartphones et l'utilisation d'Internet continuent d'augmenter dans les économies émergentes. Centre de recherche Pew. 2016. http://www.pewglobal.org/2016/02/22/smartphone-ownership-and-internet-usage-continues-to-climb-in-emerging-economies/. Consulté le 15 septembre 2017.

Wu Q, Sum K, Nathan-Roberts D, éditeurs. Comment les trackers de fitness facilitent le changement de comportement en matière de santé. Actes de la réunion annuelle de la Human Factors and Ergonomics Society 2016 : SAGE Publications Sage CA : Los Angeles, CA.

• Bennion M, Hardy G, Moore R, Millings A. E-thérapies en Angleterre pour le stress, l'anxiété ou la dépression : qu'est-ce qui est utilisé dans le NHS ? Une enquête sur les services de santé mentale. BMJ Ouvert. 20177(1):e014844. Les auteurs dressent une liste très complète d'applications et de programmes de dépression, de TCC et d'autres programmes de santé mentale utilisés dans le système de santé britannique. Leurs efforts soulignent pourquoi les rapports sur les applications sont nécessaires, car les composants et les fiducies du système de santé britannique ne recueillaient pas systématiquement de statistiques d'utilisation.

Boulos MN, Wheeler S, Tavares C, Jones R. Comment les smartphones changent le visage des soins de santé mobiles et participatifs : un aperçu, avec l'exemple d'eCAALYX. Biomed Eng en ligne. 201110:24. https://doi.org/10.1186/1475-925X-10-24.

Glick G, Druss B, Pina J, Lally C, Conde M. Utilisation de la technologie mobile dans un cadre communautaire de santé mentale. J Télémédecine Télésoins. 201622 (7) : 430–5. https://doi.org/10.1177/1357633x15613236.

Le juge en chef Miller, McInnes DK, Stolzmann K, Bauer MS. Intérêt pour l'utilisation de la technologie pour les soins de santé chez les vétérans recevant un traitement pour la santé mentale. Télémed J E Santé. 201622(10) :847–54. https://doi.org/10.1089/tmj.2015.0190.

• Gregory JM, Sukhera J, Taylor-Gates M. Intégration de la technologie des smartphones au moment de la sortie d'une unité de psychiatrie pour enfants et adolescents hospitalisés. J Can Acad Pédopsychiatrie. 201726(1) : 45-50. Cet article est intéressant et unique car il met en œuvre des recommandations d'applications et le téléchargement dans un hôpital psychiatrique pour enfants hospitalisés au Canada. Les auteurs notent qu'il n'y a pas d'autres recherches sur les smartphones dans les unités d'hospitalisation.

Ben-Zeev D, Fathy C, Jonathan G, Abuharb B, Brian RM, Kesbeh L, et al. mHealth pour la santé mentale au Moyen-Orient : besoin, utilisation de la technologie et état de préparation chez les Palestiniens de Cisjordanie. Asiatique J Psychiatr. 201727:1–4.

Menon V, Rajan TM, Sarkar S. Applications psychothérapeutiques des technologies basées sur la téléphonie mobile : une revue systématique des recherches et tendances actuelles. Journal indien de médecine psychologique. 201739(1) :4-11. https://doi.org/10.4103/0253-7176.198956.

Moitra E, Gaudiano BA, Davis CH, Ben-Zeev D. Faisabilité et acceptabilité de l'évaluation écologique momentanée post-hospitalisation chez les patients atteints de troubles du spectre psychotique. Compr Psychiatrie. 201774 : 204-13. https://doi.org/10.1016/j.comppsych.2017.01.018.

Kim J, Lim S, Min YH, Shin YW, Lee B, Sohn G, et al. Dépistage de la dépression à l'aide d'évaluations quotidiennes de la santé mentale d'une application pour smartphone pour les patientes atteintes d'un cancer du sein. J Med Internet Res. 201618(8):e216. https://doi.org/10.2196/jmir.5598.

Kenny R, Dooley B, Fitzgerald A. Évaluation écologique momentanée des problèmes d'adolescent, de l'efficacité d'adaptation et des états d'humeur à l'aide d'une application pour téléphone mobile : une étude exploratoire. JMIR Santé mentale. 20163(4):e51. https://doi.org/10.2196/mental.6361.

Barrigón ML, Berrouiguet S, Carballo JJ, Bonal-Giménez C, Fernández-Navarro P, Pfang B, et al. Profils d'utilisateurs d'un outil électronique de santé mentale pour l'évaluation momentanée écologique : MEmind. Int J Méthodes Psychiatr Res. 201726(1) https://doi.org/10.1002/mpr.1554.

Fitzpatrick KK, Darcy A, Vierhile M. Offrir une thérapie cognitivo-comportementale à de jeunes adultes présentant des symptômes de dépression et d'anxiété à l'aide d'un agent conversationnel entièrement automatisé (Woebot) : un essai contrôlé randomisé. JMIR Santé mentale. 20174(2):e19. https://doi.org/10.2196/mental.7785.

•• Miner AS, Milstein A, Schueller S, Hegde R, Mangurian C, Linos E. Agents conversationnels sur smartphone et réponses aux questions sur la santé mentale, la violence interpersonnelle et la santé physique. Stagiaire JAMA Med. 2016176(5) :619–25. https://doi.org/10.1001/jamainternmed.2016.0400. Cet article largement médiatisé montre comment les fonctionnalités du système d'exploitation (agents conversationnels comme Apple Siri et Google Now (maintenant Google Assistant)) peuvent être utilisées comme interventions de santé mentale. Le document a stimulé la discussion dans la presse populaire sur le rôle des agents de conversation dans la reconnaissance du suicide et de la violence domestique.

•• Maples-Keller JL, Bunnell BE, Kim SJ, Rothbaum BO. L'utilisation de la technologie de réalité virtuelle dans le traitement de l'anxiété et d'autres troubles psychiatriques. Harv Rev Psychiatrie. 201725(3) :103-13. https://doi.org/10.1097/HRP.0000000000000138. Ceci est un aperçu complet de l'état actuel de la réalité virtuelle dans le traitement psychiatrique.

Kirchner TR, Shiffman S. Déterminants spatio-temporels de la santé mentale et du bien-être: progrès dans l'évaluation momentanée écologique géographiquement explicite (GEMA). Soc Psychiatry Psychiatr Epidemiol. 201651(9):1211–23. https://doi.org/10.1007/s00127-016-1277-5.

Chow PI, Fua K, Huang Y, Bonelli W, Xiong H, Barnes LE, et al. Utilisation de la détection mobile pour tester des modèles cliniques de dépression, d'anxiété sociale, d'affect d'état et d'isolement social chez les étudiants. J Med Internet Res. 201719(3) :e62. https://doi.org/10.2196/jmir.6820.

Braun S, Annovazzi C, Botella C, Bridler R, Camussi E, Delfino JP, et al. Évaluer le stress chronique, les capacités d'adaptation et les troubles de l'humeur grâce à l'analyse de la parole : une « application vocale » d'auto-évaluation pour ordinateurs portables, tablettes et smartphones. Psychopathologie. 201649(6) :406–19. https://doi.org/10.1159/000450959.

Schriewer K, Bulaj G. Services de streaming musical en tant que thérapies d'appoint pour la dépression, l'anxiété et les symptômes bipolaires : convergence des technologies numériques, des applications mobiles, des émotions et de la santé mentale mondiale. Front de la santé publique. 20164:217. https://doi.org/10.3389/fpubh.2016.00217.

Depp C, Torous J, Thompson W. Systèmes d'alerte précoce basés sur la technologie pour le trouble bipolaire : un cadre conceptuel. JMIR Santé mentale. 20163(3):e42. https://doi.org/10.2196/mental.5798.

Place S, Blanch-Hartigan D, Rubin C, Gorrostieta C, Mead C, Kane J, et al. Les indicateurs comportementaux sur une plate-forme de détection mobile prédisent les symptômes psychiatriques validés cliniquement des troubles de l'humeur et de l'anxiété. J Med Internet Res. 201719(3):e75. https://doi.org/10.2196/jmir.6678.

Suhara Y, Xu Y, Pentland AS, éditeurs. DeepMood : prévision de l'humeur dépressive basée sur des histoires autodéclarées via des réseaux de neurones récurrents. Actes de la 26e Conférence internationale sur le World Wide Web 2017 : Comité directeur des conférences internationales sur le World Wide Web.

Wahle F, Kowatsch T, Fleisch E, Rufer M, Weidt S. Détection mobile et soutien aux personnes souffrant de dépression : un essai pilote dans la nature. JMIR Mhealth Uhealth. 20164(3):e111. https://doi.org/10.2196/mhealth.5960.

•• Association américaine de psychiatrie. Applications de santé mentale. Association américaine de psychiatrie. 2017. https://www.psychiatry.org/psychiatrists/practice/mental-health-apps. Consulté le 4 juillet 2017. La page Web fournit un aperçu complet de l'évaluation des applications et explique pourquoi cela est important.

Baumel A, Faber K, Mathur N, Kane JM, Muench F. Enlight : un outil complet d'évaluation de la qualité et du potentiel thérapeutique pour les interventions de cybersanté mobiles et Web. J Med Internet Res. 201719(3):e82. https://doi.org/10.2196/jmir.7270.

Stoyanov SR, Hides L, Kavanagh DJ, Zelenko O, Tjondronegoro D, Mani M. Échelle d'évaluation des applications mobiles : un nouvel outil pour évaluer la qualité des applications mobiles de santé. JMIR Mhealth Uhealth. 20153(1):e27. https://doi.org/10.2196/mhealth.3422.

Stoyanov SR, Hides L, Kavanagh DJ, Wilson H. Développement et validation de la version utilisateur de la Mobile Application Rating Scale (uMARS). JMIR Mhealth Uhealth. 20164(2):e72. https://doi.org/10.2196/mhealth.5849.

• Mani M, DJ Kavanagh, Hides L, Stoyanov SR. Examen et évaluation des applications iPhone basées sur la pleine conscience. JMIR Mhealth Uhealth. 20153(3):e82. https://doi.org/10.2196/mhealth.4328. Cela applique les critères MARS à l'évaluation des applications mobiles, en particulier dans les interventions de pleine conscience, et décompose les éléments de pleine conscience qui devraient être présents dans les applications.

Maheu MM, Nicolucci V, Pulier ML, Wall KM, Frye TJ, Hudlicka E. La boîte à outils interactive d'examen des applications mobiles (IMART) : un système axé sur la pratique clinique. Journal of Technology in Behavioral Science. 2017 : 1-13.

Laurie J, Blandford A. Prendre le temps de la pleine conscience. Int J Med Inform. 201696 : 38-50. https://doi.org/10.1016/j.ijmedinf.2016.02.010.

Kaipainen K, Valkkynen P, Kilkku N. Applicabilité de l'application mobile basée sur la thérapie d'acceptation et d'engagement dans les soins infirmiers en dépression. Transl Behav Med. 2016 https://doi.org/10.1007/s13142-016-0451-3.

Mares ML, Gustafson DH, Glass JE, Quanbeck A, McDowell H, McTavish F, et al. Mise en œuvre d'un système de santé mobile pour les troubles liés à l'utilisation de substances en soins primaires : une étude à méthodes mixtes des attentes initiales des cliniciens et des expériences de première année. BMC Med Informer Décis Mak. 201616(1):126. https://doi.org/10.1186/s12911-016-0365-5.

Robotham D, Satkunanathan S, Doughty L, Wykes T. Faire avons-nous toujours une fracture numérique en santé mentale? Un suivi d'enquête sur cinq ans. J Med Internet Res 201618(11):e309. https://doi.org/10.2196/jmir.6511.

Glass JE, McKay JR, Gustafson DH, Kornfield R, Rathouz PJ, McTavish FM, et al. La recherche de traitement comme mécanisme de changement dans un essai contrôlé randomisé d'une intervention de santé mobile pour soutenir le rétablissement des troubles liés à la consommation d'alcool. J Subst Abus Treat. 201777 : 57-66. https://doi.org/10.1016/j.jsat.2017.03.011.

Perski O, Blandford A, Ubhi HK, West R, Michie S. Choix d'applications pour smartphone par les fumeurs et les buveurs et attentes d'engagement : une étude de réflexion et d'entretien. Informatique médicale BMC et prise de décision. 201717(1):25. https://doi.org/10.1186/s12911-017-0422-8.

Rotondi AJ, Spring MR, Hanusa BH, Eack SM, Haas GL. Concevoir des applications de cybersanté pour réduire l'effort cognitif des personnes atteintes de maladie mentale grave : complexité des pages, simplicité de navigation et intelligibilité. Facteurs humains JMIR. 20174(1):e1. https://doi.org/10.2196/humanfactors.6221.

Ferron JC, Brunette MF, Geiger P, Marsch LA, Adachi-Mejia AM, Bartels SJ. Applications de téléphonie mobile pour le sevrage tabagique : qualité et convivialité chez les fumeurs atteints de psychose. Facteurs humains JMIR. 20174(1):e7. https://doi.org/10.2196/humanfactors.5933.

Westergaard RP, Genz A, Panico K, Surkan PJ, Keruly J, Hutton HE, et al. Acceptabilité d'une intervention de santé mobile pour améliorer la coordination des soins du VIH pour les patients souffrant de troubles liés à l'utilisation de substances. Science de la toxicomanie et pratique clinique. 201712(1):11. https://doi.org/10.1186/s13722-017-0076-y.

• Jennings L, Lee N, Shore D, Strohminger N, Allison B, Conserve DF, et al. Accès et utilisation des téléphones portables par les jeunes sans-abri des minorités américaines : implications pour la conception des interventions mHealth. J Santé Commun. 201621(7) :725–33. https://doi.org/10.1080/10810730.2015.1103331. Cette recherche qualitative est un excellent exemple de lutte contre les stéréotypes selon lesquels les jeunes veulent des téléphones portables et partagent ouvertement leur vie. Il constate que les jeunes peuvent trouver les téléphones comme une source de harcèlement, de fardeau financier et de problème de confidentialité !

Bauer M, Glenn T, Monteith S, Bauer R, Whybrow PC, Geddes J. Perspectives éthiques sur la recommandation de la technologie numérique pour les patients atteints de maladie mentale. Revue internationale des troubles bipolaires. 20175(1):6. https://doi.org/10.1186/s40345-017-0073-9.

Sood M, Chadda RK, Singh P. La santé mobile (mHealth) en santé mentale : portée et applications dans les milieux à faibles ressources. Le journal médical national de l'Inde. 201629(6):341-3.

•• Naslund JA, Aschbrenner KA, Araya R, Marsch LA, Unutzer J, Patel V, et al. La technologie numérique pour traiter et prévenir les troubles mentaux dans les pays à revenu faible et intermédiaire : une revue narrative de la littérature. La lancette Psychiatrie. 2017 https://doi.org/10.1016/s2215-0366(17)30096-2. Cette revue contient de nombreux tableaux de programmes en ligne et de cybersanté pour la santé mentale englobant l'adhésion, les soutiens au rétablissement et l'auto-assistance, ainsi que le dépistage et l'éducation des travailleurs de la santé mentale.

Sobowale K, Torous J. Psychiatrie des catastrophes en Asie : le potentiel des smartphones, des technologies mobiles et connectées. Asiatique J Psychiatr. 201622:1–5. https://doi.org/10.1016/j.ajp.2016.03.004.

Musyimi CW, Mutiso VN, Haji ZR, Nandoya ES, Ndetei DM. Dépistage mobile de la dépression mhGAP-IG au Kenya. Community Ment Health J. 2016 https://doi.org/10.1007/s10597-016-0072-9.

Hashemi B, Ali S, Awaad R, Soudi L, Housel L, Sosebee SJ. Faciliter le dépistage de la santé mentale des populations déchirées par la guerre à l'aide d'applications mobiles. Soc Psychiatry Psychiatr Epidemiol. 201752(1) : 27-33. https://doi.org/10.1007/s00127-016-1303-7.

Armontrout J, Torous J, Fisher M, Drogin E, Gutheil T. Santé mentale mobile : naviguer dans les nouvelles règles et réglementations pour les outils numériques. Curr Psychiatry Rep. 201618 (10):91. https://doi.org/10.1007/s11920-016-0726-x.

• Torous J, Roberts LW. L'utilisation éthique de la technologie de la santé mobile en psychiatrie clinique. J Nerv Ment Dis. 2017205(1):4-8. https://doi.org/10.1097/nmd.0000000000000596. Celui-ci traite des questions éthiques que les cliniciens devraient prendre en compte avant de recommander des technologies, de la façon dont les données sont vendues, de la façon dont les gouvernements et les entités commerciales surveillent les utilisateurs, et comprend un tableau des technologies de « reconnaissance automatisée des émotions ».

Hilty DM, Crawford A, Teshima J, Chan S, Sunderji N, Yellowlees PM, et al : Un cadre pour la formation en télépsychiatrie et la cybersanté : éducation basée sur les compétences, évaluation et implications. Int Rev Psychiatry 201527(6):569–92.

Hilty DM, Chan S, Torous J, Mahautmr J, Mucic DM : Nouvelles frontières dans les soins de santé et la technologie : des options mentales basées sur Internet et le Web émergent pour compléter les options de soins en personne et télépsychiatriques. J Health Med Informatics 20156(4):1-14.


Résultats

Formation d'habitudes au fil du temps

Nous avons d'abord examiné si la force de l'habitude augmentait avec le temps. La figure 3 montre une augmentation significative d'environ 0,8 SD (une grande taille d'effet selon Cohen, 1992) de la force d'habitude sur une période de 110 jours avec une augmentation plus forte au début de la période d'étude, se stabilisant à la fin. Tant la tendance linéaire (t = 15.30, p < 0,001) et la tendance quadratique (t = 𢄣.39, p < 0,001) étaient significatifs. Ajout des pentes aléatoires pour le linéaire (Wald Z = 5.37, p < 0,001) et quadratique (Wald Z = 2.40, p < 0,05) a amélioré l'ajustement du modèle, montrant que la formation d'habitudes différait selon les participants.

Figure 3. Force d'habitude ajustée en fonction du temps, avec des bandes de confiance à 95%.

Effets de la performance comportementale conforme aux objectifs et de la capacité de contrôle de soi sur la formation d'habitudes

Le tableau 1 montre les résultats d'une analyse hiérarchique à plusieurs niveaux de la formation des habitudes. Comme on peut le voir dans le modèle 2, la force de l'habitude est plutôt stable et fortement prédite par la force de l'habitude décalée lors de la mesure précédente de l'habitude. Néanmoins, la saisie de la capacité de maîtrise de soi décalée et des performances comportementales conformes aux objectifs au cours de la période de temps au cours des deux mesures de la force des habitudes a encore augmenté l'ajustement du modèle. La capacité de maîtrise de soi n'a pas contribué à une plus grande force d'habitude 7 . Cependant, les participants qui ont adopté le comportement choisi par eux-mêmes de manière plus cohérente (proportion plus élevée de performances comportementales conformes aux objectifs 8 ), ont montré des augmentations plus importantes de la force de l'habitude. Conformément à la tendance de la formation de l'habitude montrée précédemment, le moment de la mesure (c'est-à-dire la énième fois) a eu une petite influence négative sur l'augmentation de la force de l'habitude. Ceci est en ligne avec l'augmentation plus faible de la force de l'habitude plus tard au cours de la période d'étude.

Tableau 1. La régression à plusieurs niveaux de la force de l'habitude.


Contexte et résumé

Le 11 mars 2020, l'Organisation mondiale de la santé (OMS) a qualifié la nouvelle maladie à coronavirus appelée COVID-19 de pandémie 1,2. Pour tenter de limiter la propagation de la maladie, les gouvernements du monde entier ont adopté des mesures de confinement sans précédent qui ont eu un effet immédiat sur les activités, les routines ou les moyens de subsistance habituels de nombreuses personnes 3,4 . L'Espagne est rapidement devenue l'un des pays européens les plus touchés, comptant 9 785 cas diagnostiqués et 136 décès liés au COVID début 5 mars (décompte cumulé avant le verrouillage, le 14/03/20), passant à 239 429 cas diagnostiqués et 27 117 décès à la fin du 5 mai. Le 14 mars, le gouvernement espagnol a imposé un confinement généralisé visant à minimiser les contacts sociaux et à éviter l'effondrement du système de santé national 6 . Les mesures de confinement mises en place, qui comptent parmi les plus restrictives et prolongées au monde, ont consisté à fermer écoles et universités, à réduire drastiquement la mobilité de la population et à interrompre toute activité industrielle non essentielle à l'échelle du pays 7 .

Les mesures de confinement et la crise sanitaire du COVID-19 elle-même ont entraîné des changements dramatiques dans le comportement et le mode de vie des gens, dont l'impact psychologique négatif potentiel a été rapidement reconnu 8,9 . En termes de santé mentale publique, les niveaux d'anxiété, de stress et de dépression devraient augmenter 10 . Des informations précises sur la réaction émotionnelle de la population aux événements en cours sont donc importantes pour anticiper au mieux les besoins de soutien psychosocial et d'élaboration de politiques fondées sur des preuves. Depuis l'épidémie mondiale de COVID-19, plusieurs études ont tenté de résoudre ce problème important en rassemblant des données sur le bien-être psychologique et émotionnel 8,11,12 . Toutes ces études ont utilisé des enquêtes transversales, qui capturent une description statique de l'expérience émotionnelle de la population. Cependant, des recherches sur la dynamique de l'affect ont montré que l'identification du modèle spécifique de variations des sentiments, des humeurs et des émotions sur des périodes prolongées peut être essentielle pour comprendre et prédire l'ajustement psychologique et le bien-être 13 . À titre d'exemple frappant, les preuves provenant de divers paradigmes de recherche suggèrent que les troubles de l'humeur et de l'anxiété (par exemple, la dépression, le trouble bipolaire) peuvent être identifiés par des différences dans la dynamique de l'expérience affective 14 .

Afin de fournir des données longitudinales, librement disponibles et géolocalisées sur les variations de l'humeur sur le territoire espagnol, nous avons lancé un projet de science citoyenne appelé CoVidAffect. Le projet comprend la collecte et la conservation d'une base de données des changements individuels dans le sentiment subjectif (valence) et l'activation physique (éveil) pendant le confinement COVID-19 en Espagne. Les participants de tout le pays ont régulièrement rapporté ces deux dimensions fondamentales de l'émotion via le site Internet du projet ou via une application pour smartphone, développée spécifiquement à cet effet. Au moyen de cette méthodologie, le projet visait à offrir des données longitudinales pour suivre la dynamique de l'humeur pendant la crise COVID-19 et ses différentes étapes de confinement, au lieu d'impressions statiques fournies par des questionnaires ponctuels.

Nous avons suivi les variations d'humeur entre le 28 mars 2020 et le 21 juin 2020, date à laquelle l'état d'alerte national a été levé, permettant ainsi des contacts sociaux et une mobilité sans restriction. Il est important de noter que la désescalade du confinement strict initial vers le stade de la « nouvelle normalité », s'est effectuée progressivement en phases bien définies qui peuvent être contrastées avec les données longitudinales de notre étude pour étudier les effets possibles de différentes mesures. et les politiques sur le bien-être émotionnel de la population. Comme le confinement devait avoir un impact différent sur chaque participant, en fonction de son contexte particulier, nous avons également collecté des informations contextuelles, telles que le statut socio-économique, l'espace de vie, les changements d'emploi et les niveaux d'activité physique. L'ensemble de données que nous décrivons et publions ici comprend les variations quotidiennes de l'humeur des participants, des informations contextuelles initiales et des rapports hebdomadaires sur les changements de variables contextuelles. Il s'agit, à notre connaissance, du premier ensemble de données qui suit longitudinalement les variations d'humeur pendant le confinement du COVID-19. Les données fournies peuvent être utilisées pour étudier les aspects de l'impact psychologique de la crise du COVID-19 sur la population touchée. Les chercheurs, organisations et autorités intéressés peuvent explorer diverses façons d'exploiter ces données pour quantifier la réponse émotionnelle de la population à des mesures et politiques spécifiques, et pour comprendre l'effet de certaines variables contextuelles sur la régulation émotionnelle et la résilience psychologique. Il est important de noter qu'à notre connaissance, il s'agit du premier ensemble de données qui offre la possibilité d'étudier le comportement de la dynamique des affects dans une situation de verrouillage.


DISCUSSION

À notre connaissance, il s'agit de la première méta-analyse à examiner l'efficacité des interventions sur smartphone pour les symptômes dépressifs. Notre recherche systématique a identifié 18 ECR, examinant 22 interventions en santé mentale réalisées via des smartphones, sur un total de 3 414 participants. Ainsi, la base de littérature pour ce domaine particulier a évolué rapidement et est considérablement plus importante que celle trouvée pour les interventions sur smartphone dans d'autres conditions. Environ deux fois plus d'interventions éligibles et de participants ont été identifiés par rapport aux récentes méta-analyses d'interventions sur smartphone pour le diabète et l'anxiété 18, 19 . De plus, 14 des 18 études éligibles ont été publiées au cours des deux dernières années, ce qui peut refléter à la fois l'intérêt accru de la recherche pour l'utilisation d'applications pour la santé mentale 13 et l'augmentation de la propriété, de l'accès et de l'utilisation des applications de santé mentale par les patients et les organisations de soins de santé.

L'analyse principale a révélé que les interventions sur smartphone avaient un effet positif modéré sur les symptômes dépressifs, sans indication de biais de publication affectant ces résultats. Cependant, nos analyses de sous-groupes ont révélé que les effets des interventions sur smartphone étaient considérablement plus importants par rapport aux conditions de contrôle inactives (g=0,56) qu'actives (g=0,22). Le même schéma de tailles d'effet a été observé dans notre méta-analyse des interventions sur smartphone pour l'anxiété 19 . Des examens antérieurs d'autres interventions technologiques pour les problèmes de santé mentale ont rapporté des résultats similaires, car une méta-analyse des interventions de réalité virtuelle pour le traitement de l'anxiété a révélé des effets significatifs par rapport aux témoins inactifs, mais aucune différence par rapport aux traitements psychologiques traditionnels 51 . La mesure dans laquelle les effets observés sur les symptômes dépressifs découlent de l'utilisation de l'appareil lui-même, plutôt que des composants psychothérapeutiques de l'intervention, devrait être examinée et quantifiée dans de futures recherches, afin d'explorer davantage la notion de « placebo numérique » influençant les résultats 52 .

Nous avons également exploré d'autres facteurs susceptibles d'influencer les effets des interventions sur smartphone pour les symptômes dépressifs, en utilisant une gamme d'analyses de sous-groupes post-hoc. En ce qui concerne le type de population, les avantages significatifs des applications pour smartphone n'ont été trouvés que pour les personnes souffrant de dépression légère à modérée auto-déclarée. Cela peut être dû à des variations dans la taille des échantillons de sous-groupes, car la majorité des études ont été menées dans des populations non cliniques, laissant ainsi les analyses de la dépression majeure et du trouble bipolaire sous-alimentées pour détecter des effets significatifs. Néanmoins, la nature des interventions sur smartphone semble les positionner comme un outil d'autogestion idéal pour les personnes souffrant de niveaux de dépression moins sévères. Les effets observés indiquent que ces interventions sont bien placées pour délivrer un traitement de faible intensité dans une approche de soins par étapes 53 , voire pour prévenir la dépression légère à modérée parmi les millions de personnes affectées par des symptômes subcliniques 54 . Les résultats selon lesquels ni l'âge ni le sexe n'avaient de relation avec la taille de l'effet de l'étude indiquent que les interventions sur smartphone peuvent être applicables à un large éventail d'individus.

En ce qui concerne les fonctionnalités d'intervention, nous avons constaté que celles fournies entièrement via des smartphones avaient des effets significativement plus importants que celles qui impliquaient également d'autres aspects humains/informatiques. De même, ceux qui utilisaient des composants de « rétroaction en personne » avaient des effets significativement plus faibles que ceux qui n'en avaient pas. Il semble contre-intuitif que des fonctionnalités supplémentaires/un retour humain réduiraient l'efficacité du smartphone. Cependant, cette relation est probablement due au fait que les applications ne s'appuyant pas sur des composants externes ont été conçues comme des outils plus complets et autonomes. En effet, nous avons trouvé des indications selon lesquelles les études qui fournissaient des commentaires dans l'application étaient plus efficaces que celles qui n'en avaient pas. Il convient également de noter que la seule étude qui a comparé une intervention sur smartphone guidée par un thérapeute à la même intervention sans l'aide d'un thérapeute a trouvé des effets égaux dans les deux groupes 33 .

Les interventions sur smartphone basées sur la TCC ont considérablement réduit les symptômes dépressifs, tout comme celles qui incorporaient des aspects de l'entraînement à la pleine conscience ou de la surveillance de l'humeur. Cependant, nous n'avons pas été en mesure d'élucider quelles caractéristiques étaient les plus efficaces. Une étude précédente qui comparait directement les applications pour smartphone sur la base des principes d'activation comportementale ou de pleine conscience n'a également trouvé aucune différence globale entre les deux approches 55 . Néanmoins, les résultats ont montré que les personnes souffrant de dépression plus sévère ont bénéficié davantage de l'application d'activation comportementale, tandis que celles souffrant de dépression légère ont davantage bénéficié de l'application de pleine conscience. Comprendre à la fois quelles interventions psychologiques sont les mieux réalisées via un smartphone et quelles populations de patients bénéficieront le plus des interventions basées sur les smartphones nécessitera des recherches supplémentaires. Alors que les applications pour smartphones pour la santé mentale deviennent plus faciles à créer, concentrer la recherche sur des populations spécifiques permettra des utilisations plus personnalisées et probablement plus efficaces.

La corrélation négative au niveau de la tendance entre l'efficacité et la durée de l'intervention indique qu'un autre facteur à prendre en compte lors de la conception d'applications optimales est l'engagement des utilisateurs 56 . Des taux plus faibles d'engagement des utilisateurs au fil du temps ont été trouvés dans de nombreuses autres études sur les applications de santé mentale 57-59. Des taux d'engagement plus élevés ont également été associés à ces applications conçues pour de brèves interactions 60 , ce qui suggère la nécessité de personnaliser les interventions en fonction de la façon dont les gens utilisent les smartphones. Bien qu'il existe des recherches préliminaires sur la conception et la présentation optimales des plateformes de télésanté 61, 62 , l'impact sur l'engagement des patients et les résultats reste un domaine d'exploration naissant. La compréhension d'autres facteurs liés à l'utilisation des applications, tels que le statut socio-économique, la littératie en santé 63 , la littératie technologique et l'état de santé 64, 65 , restent également des cibles importantes pour de futures recherches.

Une force majeure de cette méta-analyse est le strict respect d'un protocole enregistré qui décrit exactement la stratégie de recherche, les critères d'inclusion, l'extraction des données et les procédures analytiques. Cependant, un inconvénient est que nous n'avons inclus que les interventions sur smartphone qui ont été évaluées dans les ECR. Compte tenu de la grande disponibilité des applications de santé mentale, il est essentiel de garantir que les consommateurs et les cliniciens ont accès à des interventions fondées sur des données probantes pour une prise de décision éclairée. Alors que le grand nombre d'applications disponibles et leur mise à jour fréquente 14, 66 , rendent impossible l'évaluation de chacune, la recherche élucidant les composants d'applications efficaces et mettant en évidence les meilleures pratiques peut offrir des informations immédiatement utiles pour les soins cliniques. Il convient de noter que les études futures doivent identifier et signaler les problèmes de sécurité concernant l'utilisation des interventions par smartphone 67 . La capacité des smartphones à enregistrer immédiatement les données d'humeur saisies, à calculer si les réponses dépassent un certain seuil et, le cas échéant, à activer les systèmes d'intervention d'urgence, offre une surveillance de la sécurité en temps réel absente du traitement traditionnel de la dépression.

Une autre limite est l'hétérogénéité significative trouvée dans les analyses. Bien que cette hétérogénéité ait été statistiquement prise en compte par les modèles à effets aléatoires lors du calcul de la taille de l'effet et des valeurs p respectives, cela indique toujours qu'il existait des différences significatives entre les études, même lors du sous-groupement par échantillon/type d'intervention. En raison de l'étendue des différences entre les études, il a été difficile d'établir les composants les plus efficaces des interventions sur smartphone, ou de déterminer à quelles populations ces interventions sont les mieux adaptées. Des études futures qui testent directement des approches alternatives les unes contre les autres dans des essais contrôlés de non-infériorité, tout en évaluant la variation des résultats entre des sous-échantillons de participants 55, ajouteraient une grande valeur à notre compréhension de ce qui constituerait l'application smartphone optimale pour les symptômes dépressifs, et dans quelles populations ces méthodes peuvent être les plus efficaces.

En conclusion, les preuves à ce jour indiquent que les interventions en santé mentale dispensées via des appareils intelligents peuvent réduire les symptômes dépressifs. Cependant, délivrer des soins via un smartphone introduit plusieurs aspects nouveaux qui doivent être pris en compte, au-delà du seul changement de plateforme. Plus précisément, nous n'avons pas encore établi de quelle manière l'engagement des utilisateurs, les boucles de rétroaction, les effets d'attente et les caractéristiques individuelles des patients influencent les résultats de l'intervention. Plutôt qu'un obstacle, ces variables représentent de nouvelles opportunités pour de nouvelles recherches afin d'optimiser et de personnaliser les interventions basées sur les smartphones.

Compte tenu des premières indications d'efficacité et de la croissance rapide de la base de recherche empirique, il est possible d'envisager que les progrès technologiques continus conduiront finalement à des traitements numériques évolutifs et rentables pour les symptômes dépressifs 56, 68 . Ainsi, tout en continuant à concevoir et à évaluer des applications optimales, des recherches supplémentaires devraient également être consacrées à l'établissement de méthodes réalisables pour la mise en œuvre d'interventions basées sur les smartphones dans les systèmes de santé.


MÉTHODES

Stratégie de recherche et sélection des études

Nous avons effectué des recherches dans quatre grandes bases de données en ligne (Medline, PsycINFO, bases de données Cochrane, Web of Science) en décembre 2018, en utilisant les termes de recherche (« smartphone* » OU « mobile phone » OU « cell phone » OU « mobile app* » OU « iphone ” OU « Android » OU « mhealth » OU « m-health » OU « téléphone portable » OU « appareil mobile* » OU « mobile » OU « mobile health » OU « tablette ») ET (« aléatoire* » OU « essai* » OU « allouer* ») ET (« anxiété » OU « agoraphobie » OU « phobie* » OU « panique » OU « stress post-traumatique » OU « santé mentale » OU « maladie mentale* » OU « dépression * » OU « trouble affectif* » OU « bipolaire » OU « trouble de l'humeur* » OU « psychose » OU « psychotique » OU « schizophre* » OU « bien-être » OU « bien-être » OU « qualité de vie » OU « soi -mal" ou "automutilation" OU "stress*" OU "détresse*" OU "humeur" OU "image corporelle" OU "trouble de l'alimentation*"). Les références bibliographiques des études incluses et des revues précédentes ont également été recherchées manuellement pour identifier d'autres études éligibles.

Un protocole pour cette revue a été enregistré via PROSPERO (CRD42019122136). Il y avait trois petits écarts par rapport au protocole original. Tout d'abord, nous avons fait un post-hoc décision d'inclure plutôt que d'exclure les études qui incorporaient une intervention sur smartphone prise en charge par une application dans un programme de traitement plus large (par exemple, conceptions additives ou complémentaires). Deuxièmement, nous n'avons pas effectué de méta-analyses de comparaisons directes de la TCC par rapport aux applications non basées sur la TCC, car il y avait un nombre insuffisant d'études pertinentes. Troisièmement, nous avons inclus un modérateur supplémentaire, c'est-à-dire si l'intervention sur smartphone visait directement à cibler le symptôme d'intérêt spécifique.

Les études incluses étaient des ECR en anglais qui examinaient les effets d'une intervention sur smartphone prise en charge par une application, par rapport à une condition de contrôle ou à une intervention active, et fournissaient les données de résultats nécessaires pour calculer une taille d'effet.

Les ECR publiés et non publiés étaient éligibles pour l'inclusion. À condition que l'intervention sur smartphone ait été conçue pour améliorer la santé mentale ou le bien-être général, aucune restriction sur les échantillons n'a été appliquée. Des essais d'interventions réalisées uniquement en partie via des smartphones ont également été inclus, tels que des conceptions complémentaires (application pour smartphone + thérapie standard contre thérapie standard seule) ou des programmes d'intervention mixtes (lorsque les participants pouvaient accéder à l'intervention basée sur une application via des smartphones ou des ordinateurs).

Les conditions de contrôle ont été classées en liste d'attente, évaluation uniquement, traitement comme d'habitude, ressources informatives et éducatives (p. Les interventions actives ont été classées en trois catégories : thérapie en face à face standard, interventions en ligne ou informatisées, pharmacothérapie et conditions d'autosurveillance.

Les études étaient exclues si : a) l'intervention sur smartphone n'abordait pas la santé mentale ou le bien-être (par exemple, les interventions axées sur la perte de poids, l'activité physique, la gestion du diabète, l'arrêt du tabac ou la consommation d'alcool étaient exclues) un traitement d'exposition à la réalité ou une intervention par messagerie texte uniquement a été fourni et c) il n'y avait aucune condition de comparaison pertinente (par exemple, un essai à deux bras comparant deux applications a été exclu) ou aucune mesure de résultat n'a été signalée. Si une étude n'incluait pas de données pour le calcul de la taille de l'effet, les auteurs étaient contactés et l'étude était exclue s'ils ne fournissaient pas les données.

JL a passé au crible tous les enregistrements et les textes intégraux ont été obtenus pour les ECR potentiellement éligibles. Deux évaluateurs indépendants (JL et MM) ont examiné les textes complets et sélectionné les ECR éligibles.

Évaluation de la qualité et extraction des données

La qualité des essais a été évaluée à l'aide de quatre critères de l'outil Cochrane sur le risque de biais 10 : génération adéquate de la séquence d'attribution, dissimulation de l'attribution aux conditions, mise en aveugle des évaluateurs des résultats ou utilisation de questionnaires d'auto-évaluation et traitement des données de résultats incomplètes (évaluées comme faible risque lorsque les données sur les résultats utilisées pour calculer la taille de l'effet étaient basées sur des analyses en intention de traiter). JL a mené les évaluations de la qualité et MM a codé au hasard 40 % des études, avec une bonne concordance observée entre les évaluateurs (kappa = 0,77, 0,69, 1,00 et 0,91, respectivement). Les désaccords ont été résolus par une discussion approfondie.

Nous avons également codé les caractéristiques des participants (échantillon cible, âge moyen) les caractéristiques de l'intervention sur smartphone (nom, orientation théorique, si l'application contenait des composants de pleine conscience) la condition de comparaison les mesures des résultats et d'autres caractéristiques de l'essai (taille de l'échantillon, qu'il s'agisse d'un soutien guidé ou des rappels pour s'engager ont été offerts, durée de la post-évaluation).

Méta-analyse

Pour chaque comparaison entre une intervention sur smartphone et une condition de contrôle ou d'intervention active, la taille de l'effet a été calculée en divisant la différence entre les moyennes des deux groupes par l'écart-type regroupé au post-test.La différence moyenne standardisée (d) a ensuite été convertie en g de Hedges pour corriger le biais des petits échantillons 11 . Si les moyennes et les écarts types n'étaient pas déclarés, les tailles d'effet ont été calculées à l'aide d'équations de conversion à partir de tests de signification (par exemple, les statistiques t).

Pour calculer une taille d'effet regroupée, la taille d'effet de chaque étude a été pondérée par sa variance inverse. Un g positif indique que la condition du smartphone a eu de meilleurs résultats que la condition de comparaison. On peut supposer que les tailles d'effet de 0,8 sont importantes, tandis que les tailles d'effet de 0,5 sont modérées et que les tailles d'effet de 0,2 sont petites 12 . Si les données des analyses en intention de traiter et complètes étaient présentées, les premières étaient extraites et analysées.

Nous avons sélectionné et analysé les résultats de santé mentale suivants, car un nombre suffisant d'essais (≥ 3) ont rapporté ces résultats et permis une méta-analyse : symptômes dépressifs symptômes d'anxiété généralisés symptômes d'anxiété spécifiques (symptômes d'anxiété sociale, symptômes de panique, symptômes de stress) niveaux de stress qualité de vie/bien-être détresse psychologique générale et affect positif et négatif. Si plusieurs mesures d'une variable de résultat donnée étaient utilisées, la moyenne des tailles d'effet de chaque mesure au sein de l'étude était calculée, avant que les tailles d'effet ne soient regroupées.

La version 3.0 d'une méta-analyse complète a été utilisée pour les analyses 13 . Comme nous nous attendions à une hétérogénéité considérable entre les études, des modèles à effets aléatoires ont été utilisés. L'hétérogénéité a été examinée en calculant la statistique I 2 , qui quantifie l'hétérogénéité révélée par la statistique Q et rapporte combien de variance globale (0-100 %) est attribuée à la variance entre les études 14 . Les intervalles de confiance (IC) à 95 % pour la statistique I 2 ont également été calculés.

Des analyses de sous-groupes ont été menées pour explorer les sources d'hétérogénéité dans le cadre d'un modèle à effets mixtes, qui regroupe les études au sein d'un sous-groupe à l'aide d'un modèle à effets aléatoires, mais teste les différences significatives entre les sous-groupes à l'aide de modèles à effets fixes.

Le biais de publication a été examiné par le biais de la procédure d'ajustement et de remplissage 15 , ainsi que par le test de corrélation des rangs de Begg et Mazumdar.


Conclusion

La fréquence à laquelle les gens bougent physiquement tout au long de la journée, même si ce mouvement n'est pas un exercice rigoureux, est associée à la fois à la santé physique et au bonheur. La recherche actuelle révèle le lien important entre les processus physiques et psychologiques, indiquant que même de légers changements dans l'un ont des conséquences sur l'autre. Les résultats actuels valident l'utilisation des smartphones pour mesurer passivement les activités quotidiennes d'une cohorte diversifiée de personnes et ouvrent la voie à de futures recherches portant sur les liens entre les processus psychologiques et comportementaux.


10 applications de suivi de l'alcool pour iPhone

En installant une application de suivi de l'alcool sur votre iPhone, vous pouvez enregistrer et suivre efficacement votre consommation d'alcool. Ces applications vous permettront de modifier considérablement vos habitudes de consommation. De plus, ces applications offrent de nombreuses autres fonctionnalités utiles qui vous permettent de déterminer le niveau d'alcoolémie, de suivre votre consommation moyenne d'alcool, de télécharger et de partager des rapports sur la consommation d'alcool, etc.

De nombreuses applications de suivi de l'alcool sont disponibles pour votre iPhone. Plongeons sur certains d'entre eux.


Un cadre de télésanté pour la santé mobile, les téléphones intelligents et les applications : compétences, formation et développement du corps professoral

Des technologies telles que les smartphones et les applications remodèlent la vie, les soins de santé et les affaires. Les cliniciens ont besoin de compétences, de connaissances et d'attitudes pour assurer des soins de qualité et superviser la génération actuelle de stagiaires, conformément au Sommet éducatif sur les professions de la santé de l'Institute of Medicine. La littérature est intégrée sur des thèmes axés sur les patients, les apprenants, les compétences et les résultats dans les domaines de la technologie, des soins de santé, de la pédagogie et des affaires. Les compétences relatives à la santé mobile, aux smartphones/appareils et aux applications sont organisées dans les domaines jalons du Conseil d'accréditation pour l'enseignement médical supérieur (ACGME) des soins aux patients, des connaissances médicales, de l'apprentissage et de l'amélioration basés sur la pratique, de la pratique basée sur les systèmes, du professionnalisme et des compétences interpersonnelles et la communication. Des méthodes d'enseignement sont suggérées pour aligner les résultats des compétences, le contexte d'apprentissage et l'évaluation. Les services de santé mobile, de smartphone/appareil et d'applications ont une portée plus large que les soins en personne, la télésanté et la télécomportementale. Cela comprend l'aide à la décision clinique en médecine, la prestation hybride et l'intégration entre les plateformes électroniques des systèmes de santé. Un programme comprenant des séminaires, un enseignement basé sur des cas et des problèmes, une supervision, une évaluation et des pratiques d'amélioration de la qualité est nécessaire pour atteindre les résultats des compétences. Les cliniciens doivent ajuster l'évaluation, le triage et le traitement et relever les défis éthiques, de confidentialité, de sécurité et autres. Les systèmes de santé doivent gérer le changement, planifier de manière proactive le développement du corps professoral et créer une e-culture positive pour l'apprentissage. Des recherches sont nécessaires sur la mise en œuvre et l'évaluation des compétences en santé mobile pour ce changement de paradigme important dans les soins de santé.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Méthodes

L'étude actuelle faisait partie d'un essai clinique enregistré sur Clinical Trials.gov (ID: NCT01365416) le 3 juin 2011. Cette étude a reçu un avis favorable à mener par le comité d'éthique de la recherche London-Riverside (Référence: 11LO935 ). Le recrutement a eu lieu entre septembre 2014 et juillet 2015. Les participants pouvaient utiliser les applications aussi longtemps qu'ils le souhaitaient, même si leur activité n'était surveillée que pendant la durée de l'étude. La section sur les méthodes passe maintenant en revue les objectifs, les participants et les mesures de la présente étude.

La présente étude a quatre objectifs :

Surveillez à distance l'activité physique des patients avant et/ou après une chirurgie bariatrique via l'application Moves.

Surveillez à distance les autres variables liées à la santé des mêmes patients (poids, humeur, éveil et satisfaction) via une application compagnon de perte de poids, appelée application WLCompanion.

Évaluer la relation entre l'activité physique et d'autres variables liées à la santé à l'aide d'analyses de régression.

Identifiez les principaux facilitateurs et obstacles rencontrés par les patients en utilisant les applications via une enquête informée par TDF.

Participants

Pour être éligibles à l'étude, les patients devaient être ambulatoires, être âgés de 18 à 65 ans, avoir un indice de masse corporelle > 35 kg/m 2 , avoir accès à un smartphone Apple ou Android, et être envisagés pour une chirurgie bariatrique ou avoir déjà subi leur chirurgie (y compris pontage gastrique, anneau ou manchon). Les patients susceptibles d'être éligibles ont été approchés et recrutés lors de rendez-vous ambulatoires à l'Imperial Weight Centre, St. Mary's Hospital, Londres. Le recrutement a commencé en septembre 2014 et les participants étaient à différentes étapes de leur parcours de perte de poids.

Dans le cadre du recrutement, les participants qui ont consenti à participer ont accepté les termes et conditions des applications et ont autorisé l'équipe de recherche à accéder à leurs données anonymisées. Les participants ont reçu un lien d'assistance qui les a dirigés vers un site Web pour en savoir plus sur les progrès du programme de recherche et leur a permis d'envoyer des commentaires individuels à l'équipe de recherche. Il a été demandé aux participants à chacune de leurs visites de suivi à la clinique s'ils souhaitaient continuer à participer à l'étude et pouvaient se retirer à tout moment et sans donner de raison et sans que cela n'affecte leur traitement. Un sous-ensemble de participants recrutés de manière opportuniste a également été invité à répondre à un sondage TDF à l'Imperial Weight Centre. Les sondages ont été remplis sur un iPad à l'aide du logiciel Qualtrics. La figure 1 montre l'organigramme des participants à l'étude. Les informations démographiques sur les participants sont fournies dans le tableau 1.

Flux des participants à travers l'étude

Mesures collectées par les applications

Pour accéder aux deux applications, les participants ont reçu un lien pour les télécharger sur leurs smartphones. Toutes les données recueillies ont été anonymisées à l'aide de codes numériques. L'objectif principal des applications était de minimiser le niveau direct d'implication humaine : en installant l'application de suivi de l'activité physique sur le téléphone mobile des participants, la collecte de données sur leur activité physique n'obligeait pas les utilisateurs à faire plus que porter passivement leur téléphone. avec eux dans leurs activités quotidiennes. L'application compagnon a envoyé aux participants des invites pour encourager l'activité physique et des rappels pour saisir manuellement leur poids et d'autres données liées à la santé. Les participants pouvaient personnaliser les informations qu'ils souhaitaient enregistrer et la fréquence à laquelle ils souhaitaient recevoir des rappels pour le faire en modifiant leurs paramètres directement sur l'application. Les participants ont également été encouragés à télécharger et à partager leurs données avec leurs médecins généralistes, amis ou médecins spécialistes pour mettre en évidence leurs progrès et discuter de la manière dont ils pourraient s'en sortir.

Application Moves : mesure de l'activité physique

L'activité physique des participants était automatiquement enregistrée via leurs smartphones, à l'aide d'une application appelée Moves, développée par ProtoGeo. Moves a été sélectionné car il s'agissait de l'une des applications gratuites les plus utilisées avec une interface acceptable pour recueillir des données expérimentales. De plus amples informations sur cette application sont fournies dans le fichier supplémentaire 1. L'activité physique enregistrée sur l'application comprenait la marche, le vélo et la course, et grâce à l'application, les participants ont pu afficher la distance, la durée, les pas et une estimation des calories brûlées pendant chacune de ces activités. Moves mesure l'activité physique des utilisateurs via l'accéléromètre intégré du téléphone et le système de positionnement global. Moves s'exécute en arrière-plan d'un téléphone et transmet les données à un serveur lorsque le téléphone dispose d'une connexion Internet.

Pour que les données Moves quotidiennes des participants soient incluses dans l'analyse finale, les services de localisation de leur smartphone devaient être activés 50% du temps entre 6h00 et 22h00 pendant au moins une journée. Ce critère ne doit pas suggérer qu'une journée est une durée suffisante pour mesurer l'activité physique quotidienne courante d'une personne, ces données ont plutôt été incluses dans la présente étude car elles aident à comprendre la faisabilité des participants utilisant l'application dans une capacité de soins, par ex. validité écologique. L'activité physique enregistrée a été classée pour nos analyses comme suit : 1) temps de marche moyen par jour, 2) temps moyen passé à marcher à > 80 pas/min, c'est-à-dire MVPA, et 3) nombre moyen de MVPA dans des périodes ≥10 min de activité par jour.

Application WLCompanion : mesure du poids, de l'humeur, de l'éveil et de la satisfaction

D'autres données liées à la santé ont été enregistrées via les smartphones des participants à l'aide d'une application associée appelée WLCompanion développée par l'Imperial College de Londres. Une capture d'écran de cette application est fournie dans le fichier supplémentaire 1. WLCompanion a rappelé aux participants d'entrer leur poids en kilogrammes (ou de pierres et de livres) et d'évaluer leur humeur, leur état d'éveil et leur satisfaction sur des échelles de Likert à cinq points. Les participants choisissent s'ils souhaitent qu'on leur rappelle de saisir ces données quotidiennement ou hebdomadairement. Les participants ont également pu enregistrer d'autres activités liées à la santé que l'application Moves ne pouvait pas, par ex. nager. De plus, l'application WLCompanion a présenté des informations sommatives sur les progrès des participants sur la base des données de Moves et de WLCompanion. Les participants et l'équipe de recherche pouvaient voir cette information sommative.

Technique de changement de comportement

Les applications décrites ci-dessus pourraient provoquer des changements de comportement liés à la perte de poids. S'appuyant sur les travaux de Michie, Atkins et West [34], les techniques de changement de comportement utilisées dans la présente étude sont les suivantes : objectifs et planification, rétroaction et suivi et associations. Concernant les objectifs et la technique de planification, les participants ont pu fixer des objectifs hebdomadaires sur leur activité physique. Concernant la technique de retour d'information et de suivi, les participants ont pu auto-surveillance leur humeur et la satisfaction de leur perte de poids, et a reçu rétroaction sur les résultats du comportement sous forme de rapports sommatifs. Enfin, concernant la technique des associations, les participants ont reçu instructions qui comprenait des rappels de pesée hebdomadaires et des messages leur disant de faire plus d'exercice s'ils prenaient du retard. Ces techniques de changement de comportement sont liées à l'enquête TDF.

Enquête TDF

L'enquête informée par TDF a été conçue pour capturer les facilitateurs et les obstacles rencontrés par les participants lors de l'utilisation des applications [33]. Le TDF est un outil important pour améliorer la mise en œuvre de la pratique fondée sur des données probantes et permet aux équipes de recherche de prendre en compte des facteurs supplémentaires qui peuvent influencer le comportement. Le TDF est un outil largement utilisé dans une gamme de paramètres de soins de santé et de changement de comportement [35] et a été signalé comme un cadre valide autour duquel développer des inventaires [33]. Le TDF se compose de 14 domaines dont 13 ont été mesurés dans ce projet, le domaine « Optimisme » a été exclu car il chevauchait trop conceptuellement le domaine « Croyances dans les conséquences ». Chaque domaine a été évalué avec 3 à 11 items. Chaque élément a été présenté sous forme d'énoncé, et les participants ont indiqué leur accord avec cet énoncé sur une échelle de Likert en cinq points. Par exemple, un élément conçu pour évaluer le domaine « Contexte environnemental et ressources » disait : « Je garde toujours mon téléphone chargé » [les options de réponse vont de 1 = pas du tout d'accord et 5 = tout à fait d'accord]. Les éléments de l'enquête apparaissent dans le fichier supplémentaire 2.

L'analyse des données

Pour évaluer et établir des relations par rapport aux outils de suivi de la santé, une série d'analyses statistiques ont été menées. Premièrement, des analyses de régression linéaire ont été menées pour examiner la relation entre l'activité physique et d'autres variables liées à la santé (humeur, éveil, interaction entre l'humeur et l'éveil, satisfaction, âge et stade de la chirurgie). Au lieu de la petite taille des échantillons, ces résultats doivent être interprétés à titre exploratoire.

Deuxièmement, afin d'identifier les facilitateurs et les obstacles à l'utilisation des applications, ce qui est considéré comme important dans l'adoption des applications mobiles pour la surveillance à distance de l'activité physique, les réponses des participants à l'enquête informée par TDF ont été examinées de manière descriptive. Les données comprenaient 54 participants. Parmi ces participants, 11 étaient à une étape préopératoire de leur parcours et ont donc rempli des éléments liés à leurs intentions postopératoires mais pas à leurs comportements postopératoires. Pour examiner les réponses des participants, les 13 scores de domaine de chaque participant ont été obtenus en calculant les réponses moyennes de chaque participant aux éléments de chaque domaine. Ensuite, les scores de domaine globaux des participants ont été obtenus en calculant les scores de domaine médians des participants pour chacun des 13 domaines, ainsi que les 25e et 75e centiles. Les réponses des participants ont été codées de telle sorte que des scores plus faibles indiquaient un plus grand obstacle à leur activité physique.


Voir la vidéo: EXCEL Créer Notification Ou Rappel 3 méthodes dont VBA (Novembre 2021).