Autor/autores:
Monika N Lind, Michelle L Byrne, Geordie Wicks...(et.al)
Para predecir y prevenir las crisis de salud mental, debemos desarrollar nuevos enfoques que puedan proporcionar un avance espectacular en la efectividad, oportunidad y escalabilidad de nuestras intervenciones. Sin embargo, los métodos actuales de predicción de crisis de salud mental (p. Ej., Monitoreo clínico, cribado) generalmente fallan en la mayoría, si no en todos,...
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.
Para predecir y prevenir las crisis de salud mental, debemos desarrollar nuevos enfoques que puedan proporcionar un avance espectacular en la efectividad, oportunidad y escalabilidad de nuestras intervenciones. Sin embargo, los métodos actuales de predicción de crisis de salud mental (p. Ej., Monitoreo clínico, cribado) generalmente fallan en la mayoría, si no en todos, de estos criterios. Afortunadamente para nosotros, el 77% de los estadounidenses lleva consigo una oportunidad sin precedentes para detectar estados de riesgo y proporcionar intervenciones precisas que salven vidas. Los teléfonos inteligentes presentan una oportunidad para empoderar a las personas para aprovechar los datos que generan a través de su uso normal del teléfono para predecir y prevenir las crisis de salud mental.
Facilitar la recopilación de datos pasivos de detección pasiva de alta calidad, creamos la herramienta Effestless Assessment of Risk States (EARS) para permitir la generación de algoritmos predictivos de aprendizaje automático para resolver problemas previamente difíciles e identificar estados de riesgo antes de que se conviertan en crisis .
La herramienta EARS captura múltiples índices del comportamiento social y afectivo de una persona a través de su uso natural de un teléfono inteligente. Aunque existen otras herramientas de recopilación de datos móviles, la herramienta EARS pone un énfasis especial en capturar el contenido y la forma de comunicación social en el teléfono. Las señales recopiladas incluyen expresiones faciales, calidad vocal acústica, uso del lenguaje natural, actividad física, elección de música y ubicación geográfica. Fundamentalmente, la herramienta EARS recopila estos datos pasivamente, sin casi ninguna carga para el usuario. Programamos la herramienta EARS en Java para la plataforma móvil Android. Al construir la herramienta EARS, nos concentramos en dos consideraciones principales: (1) privacidad y encriptación y (2) impacto en el uso del teléfono.
En un estudio piloto (N = 24), los participantes toleraron bien la herramienta EARS, informando una carga mínima. Ninguno de los participantes que completaron el estudio informaron que necesitaban usar los paquetes de baterías proporcionados. Las pruebas actuales en una variedad de teléfonos indicaron que la herramienta consumió aproximadamente el 15% de la batería durante un período de 16 horas. La instalación de la herramienta EARS provocó un cambio mínimo en la interfaz de usuario y la experiencia del usuario. Una vez que se completa la instalación, la única diferencia que el usuario nota es el teclado personalizado.
La herramienta EARS ofrece un enfoque innovador para la detección móvil pasiva al enfatizar la centralidad de la vida social de una persona para su bienestar. Creamos la herramienta EARS para potenciar la investigación de vanguardia, con el objetivo final de aprovechar big data individuales para empoderar a las personas y mejorar la salud mental.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://mental.jmir.org
