Autor/autores:
Adam Horwitz, Ewa Czyz, Nadia Al-Dajani...(et.al)
Los métodos longitudinales intensivos (ILM) para recopilar autoinformes (por ejemplo, diarios, evaluación ecológica momentánea) y datos pasivos de teléfonos inteligentes y sensores portátiles brindan vías prometedoras para mejorar la predicción de la depresión y la ideación suicida (SI). Sin embargo, pocos estudios han utilizado...
Estás viendo una versión reducida de este contenido.
Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.
Los métodos longitudinales intensivos (ILM) para recopilar autoinformes (por ejemplo, diarios, evaluación ecológica momentánea) y datos pasivos de teléfonos inteligentes y sensores portátiles brindan vías prometedoras para mejorar la predicción de la depresión y la ideación suicida (SI). Sin embargo, pocos estudios han utilizado ILM para predecir resultados para poblaciones no clínicas en riesgo en entornos del mundo real.
Se reclutaron pasantes médicos (N = 2881; 57 % mujeres; 58 % blancos) de más de 300 programas de residencia en EE. UU. Los pasantes completaron una evaluación previa a la pasantía de la depresión, recibieron dispositivos portátiles Fitbit y proporcionaron calificaciones diarias del estado de ánimo (escala: 1-10) a través de la aplicación móvil durante el período de estudio.
Se utilizaron regresiones logísticas jerárquicas de tres pasos para predecir la depresión y el SI al final del primer trimestre utilizando predictores previos a la pasantía en el paso 1, funciones de sueño/paso de Fitbit en el paso 2 y funciones de estado de ánimo del diario en el paso 3.
Las características de Fitbit recopiladas pasivamente relacionadas con el sueño y los pasos tenían una validez predictiva insignificante para la depresión y ninguna validez predictiva incremental para SI. Sin embargo, el nivel medio y la variabilidad en las puntuaciones del estado de ánimo derivadas de los diarios fueron predictores independientes significativos de depresión y SI, y mejoraron significativamente la precisión del modelo.
Los horarios de trabajo de los internos pueden dar como resultado patrones de sueño y actividad que difieren de las asociaciones típicas con depresión o SI. La medida SI no capturó la intención o la gravedad.
El autoinforme móvil del estado de ánimo diario mejoró la predicción de la depresión y la SI durante un período de riesgo significativo en condiciones naturales. Se necesita investigación adicional para guiar el desarrollo de intervenciones adaptativas entre las poblaciones vulnerables.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://www.sciencedirect.com/
