Diagnosis of depressive symptoms using mobile devices: a systematic review.
Background: depression is a widespread mental health issue, often underdiagnosed and undertreated due to reliance on subjective self-reports and limited access to care. Mobile health (mHealth) technologies, utilizing smartphone and wearable sensors, offer innovative solutions for objective and scala...
| Publicado en: | RIIS: Revista de Investigação & Inovação em Saúde Vol. 8; no. 2; pp. 1 - 16 |
|---|---|
| Autores principales: | , , , |
| Formato: | research systematic review tables/charts Journal Article |
| Publicado: |
RIIS: Revista de Investigacao & Inovacao em Saude
2025
|
| Acceso en línea: | Ver este registro en EBSCOhost |
| Sumario: | Background: depression is a widespread mental health issue, often underdiagnosed and undertreated due to reliance on subjective self-reports and limited access to care. Mobile health (mHealth) technologies, utilizing smartphone and wearable sensors, offer innovative solutions for objective and scalable diagnostics. Objectives: this review examines the effectiveness of mobile device sensors in diagnosing depression, identifying relevant biosignals, and exploring diagnostic methods. Methodology: a systematic search following PRISMA-DTA guidelines was conducted in MEDLINE/PubMed and Embase, focusing on diagnostic accuracy of mHealth sensors validated against gold standards like DSM-5 or PHQ-9. Results: eleven studies showed that accelerometers and heart rate monitors are key in detecting movement, activity, and physiological patterns linked to depression. Machine learning algorithms, especially random forests, achieved high diagnostic accuracy. Conclusion: mHealth technologies hold promise for depression diagnostics, but improvements in methodological consistency, sample size, and external validation are necessary for broader clinical use. Marco contextual: la depresión es un problema de salud mental generalizado, a menudo infradiagnosticado y subtratado debido a la dependencia de autoinformes subjetivos y al acceso limitado a la atención. Las tecnologías de salud móvil (mHealth), que utilizan sensores de teléfonos inteligentes y portátiles, ofrecen soluciones innovadoras para diagnósticos objetivos y escalables. Objetivos: esta revisión examina la eficacia de los sensores de dispositivos móviles para diagnosticar la depresión, identificar bioseñales relevantes y explorar métodos de diagnóstico. Metodología: se realizó una búsqueda sistemática siguiendo las pautas PRISMA-DTA en MEDLINE/PubMed y Embase, centrándose en la precisión diagnóstica de los sensores mHealth validados contra estándares de oro como DSM-5 o PHQ-9. Resultados: once estudios mostraron que los acelerómetros y los monitores de frecuencia cardíaca son clave para detectar movimiento, actividad y patrones fisiológicos vinculados a la depresión. Los algoritmos de aprendizaje automático, especialmente los bosques aleatorios, lograron una alta precisión diagnóstica. Conclusión: las tecnologías mHealth son prometedoras para el diagnóstico de la depresión, pero se necesitan mejoras en la consistencia metodológica, el tamaño de la muestra y la validación externa para un uso clínico más amplio. Enquadramento: a depressão é um problema generalizado de saúde mental, frequentemente subdiagnosticado e subtratado devido à dependência de autorrelatos subjetivos e acesso limitado a cuidados. As tecnologias de saúde móvel (mHealth), utilizando sensores de smartphones e wearables, oferecem soluções inovadoras para diagnósticos objetivos e escaláveis. Objetivos: esta revisão examina a eficácia dos sensores de dispositivos móveis no diagnóstico da depressão, identificando biossinais relevantes e explorando métodos de diagnóstico. Metodologia: uma busca sistemática seguindo as diretrizes PRISMA-DTA foi conduzida no MEDLINE/PubMed e Embase, com foco na precisão diagnóstica de sensores mHealth validados contra padrões ouro como DSM-5 ou PHQ-9. Resultados: onze estudos mostraram que acelerômetros e monitores de frequência cardíaca são essenciais para detectar movimento, atividade e padrões fisiológicos associados à depressão. Algoritmos de aprendizado de máquina, especialmente florestas aleatórias, alcançaram alta precisão diagnóstica. Conclusão: as tecnologias mHealth são promissoras para diagnósticos de depressão, mas melhorias na consistência metodológica, tamanho da amostra e validação externa são necessárias para uso clínico mais amplo. |
|---|