Digital health

Introduction Transgender and gender diverse (TGD) older adults in the United States (U.S.) face barriers to accessing health information and resources they need to make informed healthcare decisions. More resources are needed to promote their agency and preparedness to navigate an increasingly complex healthcare system and sociopolitical landscape. The purpose of this study was to develop a testable web-based resource to support informed healthcare decision-making for TGD older adults. Methods This multimethod co-design study integrated a human-centered design approach that centered the perspectives of TGD older adults in the research process. In the prototyping and testing phases of the study, TGD adults and multidisciplinary professionals from across the U.S. were enrolled to co-develop a web-based resource with the research team during individual and paired interviews. Participants also completed a demographic questionnaire and a website usability survey. Thematic analysis of qualitative data was used to identify design themes, which guided iterative prototyping of the web-based resource. Quantitative data were analyzed descriptively. Complementary data from the usability survey and participant interviews were integrated in a joint display. Results A total of 27 participants, of whom 14 (52%) were TGD older adults, enrolled in the prototyping and testing phases. Analysis of qualitative data across both phases yielded five design themes that structured the development of a functional web-based resource: (1) Facilitating healthcare decisions through information and resources; (2) Organizing complex content with clarity and inclusivity; (3) Maintaining security, accessibility, and navigability; (4) Phasing rollout to communities and organizations; and (5) Planning for leadership, stewardship, and partnership. In the prototyping phase, three low- and mid-fidelity prototypes of a health information and resources website for TGD older adults were developed. In the testing phase, participants trialed a mid-fidelity prototype of the website, and their recommendations for improvements were integrated into a high-fidelity prototype for dissemination. Conclusion This study is one of few studies using participatory methods to engage TGD older adults in public health research. Through the development of a health information and resources website, this study demonstrates an innovative and feasible community-based co-design approach to addressing barriers affecting healthcare decision-making for TGD older adults.

Background Diabetes frequently co-occurs with depression, anxiety, and diabetes-related distress, and psychological status directly influences glycaemic control and the risk of complications. Traditional mental health assessment relies on subjective scales. With the growth of digital health, digital phenotyping offers a new paradigm for real-time, objective mental health monitoring and prediction. However, the pathways through which these technologies perform monitoring and prediction remain unclear. Objective This scoping review aimed to systematically map the application pathways of digital phenotyping for mental health monitoring and prediction in people with diabetes, and to use machine learning-assisted text mining to analyse the main research themes and hotspots, thereby informing the future development of individualised risk prediction models and monitoring systems. Methods A scoping review search was conducted in six English databases (PubMed, Embase, CINAHL, Web of Science, Scopus, and the Cochrane Library) and four Chinese databases (CNKI, Wanfang, VIP, and China Biomedical Literature Database[CBM]), covering studies published from database inception to 10 September 2026. The search strategy was built around terms related to diabetes, digital phenotyping, and mental health. Machine learning-assisted literature mining was used to identify thematic patterns in the included studies. The study selection process and overall workflow followed the PRISMA extension for scoping reviews (PRISMA-ScR). Results A total of 2,968 records were retrieved. After screening, 10 studies were included. The evidence indicated that digital phenotyping mainly enables real-time monitoring of mental health in people with diabetes through signals such as continuous glucose monitoring (CGM), passive smartphone sensing, voice, and ecological momentary assessment (EMA). Machine learning methods were widely used for risk prediction modelling, but most studies built models at the group level, with only a few adopting n -of-1 analysis or subgroup prediction to achieve individualised risk prediction. External validation of models was generally lacking, and no intervention studies were identified. Conclusions Preliminary evidence suggests that digital phenotyping has exploratory potential for mental health monitoring and prediction in people with diabetes, but research that genuinely achieves individualised risk prediction remains limited. Closed-loop monitoring-intervention design and multicentre external validation are the main directions for future research. Systematic Review Registration https://osf. io/6wsaj/ .

Background Digital systems are integral to nursing practice, but sustained digital engagement may be accompanied by fatigue. The roles of general fear of missing out (FoMO) and perceived stress in the association between digital fatigue and nurses’ job burnout remain unclear. Guided by conservation of resources theory, this study examined the separate and serial indirect associations through FoMO and perceived stress. Method A cross-sectional survey included 554 clinical nurses recruited by convenience sampling from five tertiary Grade A hospitals in Hunan, China, between January and May 2026. Self-report measures assessed the four constructs. Structural equation modeling with bootstrap confidence intervals examined the proposed associations. Results Digital fatigue remained positively associated with job burnout when FoMO and perceived stress were included in the model. Positive indirect associations were identified through each variable separately and through FoMO followed by perceived stress (effect = 0.041, 95% CI [0.021, 0.066]). Conclusion Digital fatigue was positively associated with nurses’ job burnout, both directly and indirectly through general FoMO and perceived stress. Hospital managers could assess digital fatigue, stress, and burnout when reviewing digital workflows. Clearer expectations for responding to work messages and protected recovery time warrant prospective evaluation, including effects on staff wellbeing, workflow, and patient safety.

This study evaluated the reliability and validity of a context-aware sleep holistic cycle gate algorithm and explored its potential for artificial intelligence (AI)-based personalized sleep management in digital health-care. A 6-week prospective observational study was conducted in 25 adults aged 20–65 years. Participants recorded daytime activities, eve-ning behaviors, presleep environmental factors, sleep outcomes, and feedback adherence using a mobile application. Five sleep-related indices were calculated, and a context-aware gate algorithm comprising five domains was applied. Reliability was assessed through internal consistency and reproducibility analyses, while validity was examined using correlations with sleep quality indicators and receiver operating characteristic curve analyses. Data completion and adherence rates were 80.3%±9.8% and 72.7%±11.6%, respectively. The sleep readiness index was positively correlated with subjective sleep quality (r=0.53, P<0.01). The algorithm demonstrated moderate predictive performance (area under the curve=0.73), with the environment and presleep gates showing the highest accuracy. Following personalized feedback, sleep onset latency decreased by 12.6%, and perceived sleep quality improved significantly (P<0.05). In conclusions, the context-aware sleep holistic cycle gate algorithm demonstrated acceptable reliability and validity for predicting sleep quality. These findings suggest that the proposed framework may serve as a foundational platform for the development of AI-driven personalized sleep management systems and future digital healthcare applications related to sleep rehabilitation and health promotion.

CDigital therapeutics (DTx) are software-based medical devices that deliver evidence-based therapeutic interventions directly to patients. While the clinical use of DTx is expanding rapidly, regulatory fragmentation and the absence of harmonized legal definitions hinder their assessment and reimbursement policies, as well as their integration into healthcare systems. There is currently a lack of comprehensive overviews of DTx clinical development, which are essential for informing policy, research and regulatory priorities. This paper provides an updated overview of randomised clinical trials involving DTx. 254 eligible trials on DTx, (defined according to ISO/TR 11147:2023) registered through January 2025 were identified through a search on C linicalTrials.gov . Mobile applications represent the most prevalent technology (65%), followed by web-based tools and virtual reality (20%). Psychiatric disorders are the primary therapeutic target (52% of the studies) with insomnia, depression, and anxiety being the most addressed conditions. Trials were primarily conducted in North America (41%) and Europe (32%), where Germany, Spain, and Italy represent the most active countries. The analysis of clinical trials registrations on ClinicalTrials.gov reveals a heterogenous geographical distribution of DTx development but also a clear direction in the type of conditions for which they are mostly indicated, namely psychiatric and nervous system disorders. The fragmented policies on DTx reimbursement, even among EU countries, and the different capacity of governments to fund DTx research and development emerge as key factors, along with cultural and ethical issues, in determining the willingness of the industry to invest in these devices.

درمان‌های دیجیتال (DTx) ابزارهای پزشکی مبتنی بر نرم‌افزار هستند که مداخلات درمانی مبتنی بر شواهد را مستقیماً به بیماران ارائه می‌دهند. اگرچه استفاده بالینی از DTx به سرعت در حال گسترش است، اما پراکندگی مقررات و فقدان تعاریف قانونی هماهنگ، ارزیابی و سیاست‌های بازپرداخت آن‌ها و همچنین ادغام آن‌ها در نظام‌های سلامت را با مشکل مواجه کرده است. در حال حاضر، مرورهای جامعی از توسعه بالینی DTx وجود ندارد که برای اطلاع‌رسانی به سیاست‌گذاری، پژوهش و اولویت‌های مقرراتی ضروری است. این مقاله مروری به‌روز از کارآزمایی‌های بالینی تصادفی‌سازی‌شده مرتبط با DTx ارائه می‌دهد. تعداد ۲۵۴ کارآزمایی واجد شرایط در زمینه DTx (مطابق تعریف ISO/TR 11147:2023) که تا ژانویه ۲۰۲۵ در ClinicalTrials.gov ثبت شده‌اند، شناسایی شدند. برنامه‌های تلفن همراه رایج‌ترین فناوری را تشکیل می‌دهند (۶۵٪)، و پس از آن ابزارهای مبتنی بر وب و واقعیت مجازی (۲۰٪) قرار دارند. اختلالات روان‌پزشکی هدف اصلی درمانی هستند (۵۲٪ مطالعات) و بی‌خوابی، افسردگی و اضطراب بیشترین شرایط مورد بررسی را تشکیل می‌دهند. کارآزمایی‌ها عمدتاً در آمریکای شمالی (۴۱٪) و اروپا (۳۲٪) انجام شده‌اند که در میان کشورهای اروپایی، آلمان، اسپانیا و ایتالیا فعال‌ترین کشورها هستند. تحلیل ثبت کارآزمایی‌های بالینی در ClinicalTrials.gov توزیع جغرافیایی ناهمگونی از توسعه DTx را نشان می‌دهد، اما همچنین جهت‌گیری روشنی در نوع شرایطی که عمدتاً برای آن‌ها تجویز می‌شوند، یعنی اختلالات روان‌پزشکی و سیستم عصبی، مشاهده می‌شود. سیاست‌های پراکنده در زمینه بازپرداخت DTx، حتی در میان کشورهای اتحادیه اروپا، و ظرفیت متفاوت دولت‌ها برای تأمین مالی پژوهش و توسعه DTx، همراه با مسائل فرهنگی و اخلاقی، به عنوان عوامل کلیدی در تعیین تمایل صنعت برای سرمایه‌گذاری در این ابزارها مطرح می‌شوند.

Cognitive behavioral therapy for insomnia (CBTI) is a first-line treatment, but the quality and engagement of CBTI information on short-video platforms remain uncertain. We evaluated 293 videos from Douyin, Kwai, RedNote, and Bilibili using the Global Quality Scale, modified DISCERN, Video Information Quality Instrument, Journal of the American Medical Association (JAMA) benchmarks, and a Composite Quality Index (CQI). The primary outcome was ln(1 + weighted engagement per publication day). Multivariable models adjusted for publication days, follower count, video length, and author identity using HC3 robust inference. Bilibili had the highest mean JAMA and Global Quality Scale scores, whereas Douyin had the highest median weighted engagement per day. A 10-point CQI increase was positively associated with engagement on Douyin (β = 0.469, 95% CI [0.107,0.831], P = 0.011). However, the global CQI-by-platform interaction was nonsignificant ( P = 0.067), providing insufficient evidence that the association differed across platforms. JAMA slopes and the global interaction were nonsignificant. Alternative score weightings produced similar secondary unadjusted findings, and view-normalized CQI associations were nonsignificant in Kwai and Bilibili. The platforms differed in information transparency, quality, and engagement, but no platform performed best across all dimensions. Popularity should not be considered a proxy for CBTI information quality.

درمان شناختی-رفتاری برای بی‌خوابی (CBTI) درمان خط اول محسوب می‌شود، اما کیفیت و میزان مشارکت اطلاعات مربوط به CBTI در پلتفرم‌های ویدئویی کوتاه هنوز نامشخص است. ما ۲۹۳ ویدئو از Douyin، Kwai، RedNote و Bilibili را با استفاده از مقیاس کیفیت جهانی (Global Quality Scale)، نسخه اصلاح‌شده DISCERN، ابزار کیفیت اطلاعات ویدئویی (Video Information Quality Instrument)، معیارهای انجمن پزشکی آمریکا (Journal of the American Medical Association - JAMA) و شاخص کیفیت ترکیبی (Composite Quality Index - CQI) ارزیابی کردیم. پیامد اصلی، لگاریتم طبیعی (ln) (۱ + میزان مشارکت وزنی به ازای هر روز انتشار) بود. مدل‌های چندمتغیره برای روزهای انتشار، تعداد دنبال‌کنندگان، طول ویدئو و هویت نویسنده با استفاده از استنتاج مقاوم HC3 تعدیل شدند. Bilibili بالاترین میانگین امتیازات JAMA و مقیاس کیفیت جهانی را داشت، در حالی که Douyin بالاترین میانه مشارکت وزنی به ازای هر روز را نشان داد. افزایش ۱۰ واحدی CQI با میزان مشارکت در Douyin ارتباط مثبت داشت (β = ۰.۴۶۹، ۹۵٪ CI [۰.۱۰۷، ۰.۸۳۱]، P = ۰.۰۱۱). با این حال، تعامل کلی CQI بر اساس پلتفرم معنادار نبود (P = ۰.۰۶۷) و شواهد کافی برای تفاوت این ارتباط در میان پلتفرم‌ها وجود نداشت. شیب‌های JAMA و تعامل کلی نیز معنادار نبودند. وزن‌دهی‌های جایگزین امتیازات، یافته‌های ثانویه مشابهی را بدون تعدیل نشان داد و ارتباطات CQI نرمال‌شده بر اساس بازدید در Kwai و Bilibili معنادار نبود. پلتفرم‌ها از نظر شفافیت اطلاعات، کیفیت و میزان مشارکت تفاوت داشتند، اما هیچ پلتفرمی در همه ابعاد بهترین عملکرد را نداشت. محبوبیت نباید به عنوان شاخصی برای کیفیت اطلاعات CBTI در نظر گرفته شود.

Eating disorders (ED) continue to be a concern worldwide. There is a growing focus on problematic discourse around ideal bodies as well as on how exposure to related content and spaces online might influence disordered eating and other ED symptoms. A qualitative evidence synthesis using thematic synthesis methods was conducted to explore young people’s lived experiences of online ED content. Studies were included if they provided, from 2007 onwards, views about online content from young people from OECD countries aged 11–25 years old who identified as having had an eating disorder, disordered eating or eating difficulties. This article focuses on findings from 13 included studies whereby three key themes were identified: Comparing – how online content was used to evaluate others and oneself; Curating – how young people manage this content; and Community – spaces for connection over shared experience. Participants across the studies described the complex ‘double-edged’ nature of online spaces, which can offer inclusion but can also be experienced as harmful. The synthesis outlined a lack of supportive offline mental health-promoting spaces as part of the context of young people’s online content use.

اختلالات خوردن (ED) همچنان یکی از نگرانی‌های جهانی به‌شمار می‌رود. تمرکز فزاینده‌ای بر گفتمان‌های مسئله‌دار پیرامون بدن ایده‌آل و همچنین بر چگونگی تأثیرگذاری مواجهه با محتوای مرتبط و فضاهای آنلاین بر رفتارهای خوردن ناسازگار و سایر علائم اختلال خوردن وجود دارد. سنتز شواهد کیفی با استفاده از روش‌های سنتز موضوعی به‌منظور بررسی تجارب زیسته جوانان از محتوای آنلاین مرتبط با اختلال خوردن انجام شد. مطالعاتی وارد این بررسی شدند که از سال ۲۰۰۷ به بعد، دیدگاه‌هایی درباره محتوای آنلاین از جوانان کشورهای عضو OECD در بازه سنی ۱۱ تا ۲۵ سال که خود را دارای اختلال خوردن، رفتارهای خوردن ناسازگار یا مشکلات خوردن معرفی کرده بودند، ارائه داده بودند. این مقاله بر یافته‌های ۱۳ مطالعه واردشده تمرکز دارد که در آن‌ها سه مضمون کلیدی شناسایی شد: مقایسه کردن – نحوه استفاده از محتوای آنلاین برای ارزیابی دیگران و خود؛ مدیریت کردن – نحوه مدیریت این محتوا توسط جوانان؛ و اجتماع – فضاهایی برای ارتباط بر اساس تجربه مشترک. شرکت‌کنندگان در سراسر مطالعات، ماهیت پیچیده و «دو لبه» فضاهای آنلاین را توصیف کردند که می‌تواند احساس تعلق ایجاد کند اما همچنین می‌تواند به‌عنوان عاملی آسیب‌زا تجربه شود. این سنتز به کمبود فضاهای حمایتی ارتقاءدهنده سلامت روان به‌صورت آفلاین به‌عنوان بخشی از زمینه استفاده جوانان از محتوای آنلاین اشاره می‌کند.

Despite advances in cancer treatment, the growing global cancer burden underscores the need for comprehensive and supportive care to address the needs of patients and their families. However, access to psycho-oncological support remains often limited across healthcare systems. This could be related to factors such as resource constraints and insufficient integration of psychological care into routine oncological pathways. Individual-level barriers also exist, including low awareness of available services, stigma, and heterogeneity in patients’ perceived needs and help-seeking attitudes. Nevertheless, psychological burden can significantly influence patients’ experience of the treatment pathway, influencing cognitive clarity, perceived self-efficacy, communication, risk perception, decision-making, and all areas of daily life. In this context, digital mental health solutions have emerged as promising tools to enhance accessibility, continuity of care, and personalisation of support. In this manuscript, we aim to describe the structure of the ALTHEA project (“tAckling menTal Health cancer patients and their families: digital solutions for bEtter cAre”), which focuses on the development of a novel web-based digital platform targeting cancer patients and their informal caregivers’ mental health across different stages of the care pathway. ALTHEA is distinguished by the presence of screening, classification into different support profiles, and tailored interventions within a single platform, as well as by its co-creation approach involving patients and stakeholders. In this line, the ALTHEA project represents a timely opportunity to integrate digital health solutions into psycho-oncology care, improving mental health outcomes, enhancing patient empowerment, and promoting a more holistic approach to cancer care.

علی‌رغم پیشرفت‌ها در درمان سرطان، افزایش بار جهانی سرطان نیاز به مراقبت‌های جامع و حمایتی برای پاسخگویی به نیازهای بیماران و خانواده‌های آنان را برجسته می‌کند. با این حال، دسترسی به حمایت روان‌آنکولوژیک اغلب در نظام‌های سلامت محدود باقی می‌ماند. این امر می‌تواند به عواملی مانند محدودیت منابع و ادغام ناکافی مراقبت روان‌شناختی در مسیرهای معمول آنکولوژی مرتبط باشد. موانع در سطح فردی نیز وجود دارد، از جمله آگاهی پایین از خدمات موجود، انگ و ناهمگونی در نیازهای ادراک‌شده بیماران و نگرش‌های آنان نسبت به جستجوی کمک. با این وجود، بار روان‌شناختی می‌تواند به طور قابل توجهی تجربه بیماران از مسیر درمان را تحت تأثیر قرار دهد و بر وضوح شناختی، خودکارآمدی ادراک‌شده، ارتباطات، ادراک ریسک، تصمیم‌گیری و تمامی حوزه‌های زندگی روزمره اثرگذار باشد. در این زمینه، راهکارهای دیجیتال سلامت روان به عنوان ابزارهایی نویدبخش برای افزایش دسترسی‌پذیری، تداوم مراقبت و شخصی‌سازی حمایت مطرح شده‌اند. در این مقاله، هدف ما توصیف ساختار پروژه ALTHEA («مقابله با سلامت روان بیماران سرطانی و خانواده‌های آنان: راهکارهای دیجیتال برای مراقبت بهتر») است که بر توسعه یک پلتفرم دیجیتال مبتنی بر وب با هدف سلامت روان بیماران سرطانی و مراقبان غیررسمی آنان در مراحل مختلف مسیر مراقبت تمرکز دارد. پروژه ALTHEA با وجود غربالگری، طبقه‌بندی به پروفایل‌های حمایتی مختلف و مداخلات متناسب در یک پلتفرم واحد، و همچنین رویکرد هم‌آفرینی با مشارکت بیماران و ذینفعان متمایز می‌شود. در این راستا، پروژه ALTHEA فرصتی به‌موقع برای ادغام راهکارهای سلامت دیجیتال در مراقبت روان‌آنکولوژی فراهم می‌کند و بهبود پیامدهای سلامت روان، ارتقای توانمندسازی بیماران و ترویج رویکردی جامع‌تر به مراقبت سرطان را به همراه دارد.

Introduction The rapid digitalization of services for migrant populations has transformed the ways in which information, guidance, and social support are delivered. However, existing research has primarily focused on clinical digital mental health interventions or on migrants' own uses of digital technologies, paying considerably less attention to digital devices developed by public institutions and community organizations. This study comparatively analyzes four digital intervention devices implemented in Spain and Argentina, two public and two community-based, to examine how they may contribute to psychosocial well-being from a social determinants of health perspective. Methods and Results Using a qualitative design based on digital ethnography and comparative thematic content analysis, the study explores the characteristics, functions, and intervention strategies of these digital resources, with particular attention to their roles in information provision, guidance, psychosocial support, and community participation. The findings show that these digital resources function as hybrid intervention ecosystems that integrate technological tools, professional support, and community networks rather than merely providing information. Four predominant intervention models were identified: administrative-information, institutional guidance and service access, rights-based community, and community guidance, accompaniment, and referral. Discussion Together, these models offer a novel analytical framework for understanding the diverse roles of digital interventions in migration contexts. Rather than providing direct therapeutic care, these devices contribute to psychosocial well-being by reducing barriers to access, strengthening social support networks, promoting rights, and facilitating connections with specialized services. By shifting the focus from clinical digital health to digital social intervention ecosystems, this study expands current debates on digital interventions for migrant populations and provides practical implications for the development of more inclusive, accessible, and culturally responsive digital resources aimed at promoting psychosocial well-being.

مقدمه: دیجیتالی‌ شدن سریع خدمات برای جمعیت‌های مهاجر، شیوه‌های ارائه اطلاعات، راهنمایی و حمایت اجتماعی را دگرگون کرده است. با این حال، پژوهش‌های موجود عمدتاً بر مداخلات بالینی سلامت روان دیجیتال یا بر استفاده مهاجران از فناوری‌های دیجیتال تمرکز داشته‌اند و به ابزارهای دیجیتالی که توسط نهادهای عمومی و سازمان‌های اجتماعی توسعه یافته‌اند، توجه بسیار کمتری شده است. این مطالعه به صورت مقایسه‌ای چهار ابزار مداخله دیجیتال اجرا شده در اسپانیا و آرژانتین، دو مورد عمومی و دو مورد مبتنی بر جامعه را تحلیل می‌کند تا بررسی نماید که چگونه این ابزارها می‌توانند از منظر عوامل اجتماعی تعیین‌کننده سلامت به بهزیستی روانی‌اجتماعی کمک کنند. روش‌ها و نتایج: با استفاده از طراحی کیفی مبتنی بر قوم‌نگاری دیجیتال و تحلیل محتوای مقایسه‌ای تماتیک، این پژوهش ویژگی‌ها، کارکردها و راهبردهای مداخله‌ای این منابع دیجیتال را با تمرکز ویژه بر نقش آن‌ها در ارائه اطلاعات، راهنمایی، حمایت روانی‌اجتماعی و مشارکت اجتماعی بررسی می‌کند. یافته‌ها نشان می‌دهد که این منابع دیجیتال به عنوان اکوسیستم‌های مداخله‌ای ترکیبی عمل می‌کنند که ابزارهای فناورانه، حمایت حرفه‌ای و شبکه‌های اجتماعی را ادغام می‌نمایند و صرفاً به ارائه اطلاعات محدود نمی‌شوند. چهار الگوی غالب مداخله شناسایی شد: اطلاعات اداری، راهنمایی نهادی و دسترسی به خدمات، جامعه‌محور مبتنی بر حقوق، و راهنمایی، همراهی و ارجاع اجتماعی. بحث: این الگوها در مجموع چارچوب تحلیلی نوینی برای درک نقش‌های متنوع مداخلات دیجیتال در زمینه مهاجرت ارائه می‌دهند. این ابزارها به جای ارائه مراقبت درمانی مستقیم، با کاهش موانع دسترسی، تقویت شبکه‌های حمایت اجتماعی، ترویج حقوق و تسهیل ارتباط با خدمات تخصصی، به بهزیستی روانی‌اجتماعی کمک می‌کنند. با تغییر تمرکز از سلامت دیجیتال بالینی به اکوسیستم‌های مداخله اجتماعی دیجیتال، این مطالعه مباحث جاری درباره مداخلات دیجیتال برای جمعیت‌های مهاجر را گسترش داده و پیامدهای عملی برای توسعه منابع دیجیتال فراگیرتر، قابل دسترس‌تر و پاسخگوتر به فرهنگ با هدف ارتقای بهزیستی روانی‌اجتماعی ارائه می‌دهد.

To synthesise the efficacy of digital third-wave process-based interventions (e.g., ACT, Mindfulness, Compassion) for improving wellbeing and ameliorating mental health symptoms in adults. A prospectively registered systematic review (OSF: 10.17605/OSF.IO/5RMU2 ) and random-effects meta-analysis of randomised controlled trials (RCTs) was conducted across six databases through January 2026. Certainty of evidence was assessed using the GRADE framework. Interventions ( k = 147; N = 26,391) yielded small-to-moderate immediate post-intervention improvements in wellbeing ( k = 46, g = 0.36), depression ( k = 110, g = 0.44), anxiety ( k = 93, g = 0.40), stress ( k = 66, g = 0.46), quality of life ( k = 32, g = 0.30), and psychological flexibility ( k = 51, g = 0.41). Heterogeneity was substantial across most outcomes ( I2 > 75%). Benefits were observed across healthy (61 trials; n = 15,770), mental health (41 trials; n = 6,130), and medical samples (46 trials; n = 4,491), with population type not significantly moderating immediate post-intervention effects. Comparator type significantly moderated several analyses, with smaller effects against active than inactive controls. Guidance did not significantly moderate immediate post-intervention effects, although it predicted larger short-term depression effects ( QM = 4.17, p = .048). At short-term follow-up, effects remained statistically supported across all outcomes, while only depression, anxiety, and stress remained statistically supported at medium-term follow-up. GRADE certainty was moderate for most immediate post-intervention outcomes and low for quality of life. Digital third-wave interventions produced small-to-moderate average benefits across symptom-focused, wellbeing-focused, and process outcomes. Effects were smaller against active comparators, indicating that pooled benefits should be interpreted in relation to comparator intensity. Future research should prioritise rigorous active controls, longer follow-up, and direct tests of whether changes in psychological flexibility mediate improvements in symptoms and wellbeing.

هدف این پژوهش، ترکیب اثربخشی مداخلات مبتنی بر فرایند موج سوم دیجیتال (مانند ACT، ذهن‌آگاهی، شفقت) برای بهبود بهزیستی و کاهش علائم سلامت روان در بزرگسالان بود. مرور نظام‌مند با ثبت پیش‌بینی‌شده (OSF: 10.17605/OSF.IO/5RMU2) و فراتحلیل با مدل اثرات تصادفی بر کارآزمایی‌های تصادفی کنترل‌شده (RCT) در شش پایگاه داده تا ژانویه 2026 انجام شد. قطعیت شواهد با استفاده از چارچوب GRADE ارزیابی شد. مداخلات (k = 147؛ N = 26,391) بهبودهای کوچک تا متوسط بلافاصله پس از مداخله در بهزیستی (k = 46، g = 0.36)، افسردگی (k = 110، g = 0.44)، اضطراب (k = 93، g = 0.40)، استرس (k = 66، g = 0.46)، کیفیت زندگی (k = 32، g = 0.30) و انعطاف‌پذیری روان‌شناختی (k = 51، g = 0.41) نشان دادند. ناهمگنی در اکثر پیامدها قابل توجه بود (I2 > 75%). مزایا در نمونه‌های سالم (61 مطالعه؛ n = 15,770)، سلامت روان (41 مطالعه؛ n = 6,130) و پزشکی (46 مطالعه؛ n = 4,491) مشاهده شد و نوع جمعیت، تأثیر معناداری بر اثرات بلافاصله پس از مداخله نداشت. نوع مقایسه‌گر در چندین تحلیل به طور معناداری تعدیل‌کننده بود و اثرات در مقایسه با گروه‌های فعال کمتر از گروه‌های غیرفعال بود. راهنمایی، اثرات بلافاصله پس از مداخله را به طور معناداری تعدیل نکرد، هرچند پیش‌بینی‌کننده اثرات بزرگ‌تر افسردگی در کوتاه‌مدت بود (QM = 4.17، p = .048). در پیگیری کوتاه‌مدت، اثرات در همه پیامدها از نظر آماری حمایت شدند، در حالی که تنها افسردگی، اضطراب و استرس در پیگیری میان‌مدت از نظر آماری باقی ماندند. قطعیت GRADE برای اکثر پیامدهای بلافاصله پس از مداخله در حد متوسط و برای کیفیت زندگی پایین بود. مداخلات دیجیتال موج سوم، مزایای کوچک تا متوسطی را به طور میانگین در پیامدهای متمرکز بر علائم، بهزیستی و فرایندها ایجاد کردند. اثرات در مقایسه با مقایسه‌گرهای فعال کمتر بود که نشان می‌دهد مزایای تجمیع‌شده باید نسبت به شدت مقایسه‌گر تفسیر شود. پژوهش‌های آینده باید کنترل‌های فعال سخت‌گیرانه‌تر، پیگیری‌های طولانی‌تر و آزمون‌های مستقیم نقش میانجی‌گری تغییرات انعطاف‌پذیری روان‌شناختی در بهبود علائم و بهزیستی را در اولویت قرار دهند.

Artificial intelligence (AI)-assisted digital mental health interventions are being increasingly discussed as a potential strategy for improving access to psychological support among adolescents with anxiety symptoms and anxiety disorders. Their possible advantages include flexible availability, reduced barriers to help-seeking, psychoeducation, symptom monitoring, CBT-informed exercises, conversational interaction, and personalized feedback. However, their clinical role remains insufficiently defined, particularly regarding efficacy, safety, ethical governance, and the distinction between digital support and psychotherapy in the traditional clinical sense. This narrative review examines current evidence and conceptual debates regarding AI-assisted digital interventions relevant to adolescent anxiety disorders, with a focus on usability, acceptability, preliminary efficacy, safety, ethical and legal considerations, and human clinical oversight. Available literature suggests that conversational agents and CBT-informed digital tools may provide low-threshold support and may reduce the symptoms of anxiety, depression, or general emotional distress in some users. Nevertheless, existing evidence remains heterogeneous and preliminary, often relying on young adult, mixed-age, non-clinical, or transdiagnostic samples, short follow-up periods, and self-report outcomes. Direct evidence for AI-assisted interventions specifically in adolescents with formally diagnosed anxiety disorders remains limited, and findings from broader youth, young adult, mixed-age, or transdiagnostic samples should not be directly generalized to this clinical population. It should not be considered a replacement for therapist-delivered psychotherapy, clinical assessment, or specialist child and adolescent mental health care. Their most appropriate current role is as adjunctive or supportive tools within supervised, stepped-care, or blended-care models. Future research should include adolescent-specific clinical trials, anxiety-focused outcomes, longer follow-up, systematic safety reporting, and clear evaluation of human oversight models. AI-assisted digital interventions may help reduce parts of the adolescent mental health treatment gap; however, their use must remain evidence-informed, developmentally sensitive, ethically regulated, and clinically supervised.

مداخلات سلامت روان دیجیتال با کمک هوش مصنوعی (AI) به طور فزاینده‌ای به عنوان راهبردی بالقوه برای بهبود دسترسی نوجوانان دارای علائم اضطراب و اختلالات اضطرابی به حمایت روان‌شناختی مورد بحث قرار گرفته‌اند. مزایای احتمالی این مداخلات شامل دسترسی انعطاف‌پذیر، کاهش موانع جستجوی کمک، آموزش روانی، پایش علائم، تمرینات مبتنی بر درمان شناختی-رفتاری (CBT)، تعامل مکالمه‌ای و بازخورد شخصی‌سازی‌شده است. با این حال، نقش بالینی آن‌ها همچنان به طور کافی تعریف نشده است، به ویژه در زمینه اثربخشی، ایمنی، حاکمیت اخلاقی و تمایز میان حمایت دیجیتال و روان‌درمانی به معنای بالینی سنتی. این مرور روایتی به بررسی شواهد موجود و مباحث مفهومی پیرامون مداخلات دیجیتال با کمک هوش مصنوعی مرتبط با اختلالات اضطرابی نوجوانان می‌پردازد، با تمرکز بر قابلیت استفاده، پذیرش، اثربخشی مقدماتی، ایمنی، ملاحظات اخلاقی و حقوقی و نظارت بالینی انسانی. ادبیات موجود نشان می‌دهد که عامل‌های مکالمه‌ای و ابزارهای دیجیتال مبتنی بر درمان شناختی-رفتاری (CBT) ممکن است حمایت با آستانه پایین فراهم کنند و علائم اضطراب، افسردگی یا پریشانی هیجانی کلی را در برخی کاربران کاهش دهند. با این حال، شواهد موجود ناهمگون و مقدماتی باقی مانده و اغلب بر نمونه‌های بزرگسال جوان، گروه‌های سنی مختلط، نمونه‌های غیر بالینی یا فراتشخیصی، دوره‌های پیگیری کوتاه و نتایج خودگزارشی متکی است. شواهد مستقیم برای مداخلات با کمک هوش مصنوعی به طور خاص در نوجوانان با اختلالات اضطرابی تشخیص‌گذاری‌شده به طور رسمی محدود است و یافته‌های حاصل از نمونه‌های وسیع‌تر جوانان، بزرگسالان جوان، گروه‌های سنی مختلط یا فراتشخیصی نباید مستقیماً به این جمعیت بالینی تعمیم داده شود. این مداخلات نباید جایگزین روان‌درمانی ارائه‌شده توسط درمانگر، ارزیابی بالینی یا مراقبت تخصصی سلامت روان کودک و نوجوان تلقی شود. مناسب‌ترین نقش فعلی آن‌ها به عنوان ابزارهای کمکی یا حمایتی در چارچوب مدل‌های مراقبت پله‌ای، تلفیقی یا تحت نظارت است. پژوهش‌های آینده باید شامل کارآزمایی‌های بالینی ویژه نوجوانان، نتایج متمرکز بر اضطراب، پیگیری طولانی‌تر، گزارش‌دهی نظام‌مند ایمنی و ارزیابی شفاف مدل‌های نظارت انسانی باشد. مداخلات دیجیتال با کمک هوش مصنوعی ممکن است به کاهش بخشی از فاصله درمان سلامت روان نوجوانان کمک کند؛ با این حال، استفاده از آن‌ها باید مبتنی بر شواهد، حساس به رشد، تحت نظارت اخلاقی و با نظارت بالینی باقی بماند.

Objectives: The Coronavirus Disease 2019 (COVID-19) pandemic led to increased digital device use due to social restrictions, contributing to a rise in computer vision syndrome (CVS). Postgraduate medical students, as frontline healthcare providers, are particularly vulnerable. This study aimed to assess the prevalence, risk factors, and symptom profile of CVS among postgraduate medical students during the pandemic. Material and Methods: This is a cross-sectional questionnaire-based study conducted between January 2021 and June 2021 among 117 postgraduate medical students in the southeastern region of Bangladesh. CVS was evaluated using the CVS questionnaire, which was filled out by the respondents through online Google Forms. Results: The mean age of participants was 32.2 ± 3.1 years, with a male predominance (69/117, 59%). A significant majority used smartphones (116/117, 99.1%) for social networking (103/117, 88.0%) and studying (102/117, 87.2%). Digital screen time was longer during the COVID-19 pandemic than preCOVID, with the majority using devices for 4–6 h during COVID-19 compared to 2–4 h before. The study found a CVS prevalence of 52.1% ( n = 61), with frequent symptoms including headache, burning sensation, watering, and eye pain. A significant association was found between CVS and not taking a break during digital device use ( p = 0.041). Despite this, only 18.8% (22/117) of participants knew the 20-20-20 rule. Conclusion: During the COVID-19 pandemic, ocular problems linked to excessive usage of digital gadgets have risen significantly among postgraduate medical students. The need to promote CVS awareness and symptom prevention is vital.

اهداف: همه‌گیری بیماری کروناویروس ۲۰۱۹ (COVID-19) منجر به افزایش استفاده از دستگاه‌های دیجیتال به دلیل محدودیت‌های اجتماعی شد که این امر به افزایش بروز سندرم بینایی کامپیوتری (CVS) انجامید. دانشجویان پزشکی تحصیلات تکمیلی به عنوان ارائه‌دهندگان مراقبت‌های بهداشتی خط مقدم، به ویژه آسیب‌پذیر هستند. این مطالعه با هدف بررسی شیوع، عوامل خطر و الگوی علائم CVS در میان دانشجویان پزشکی تحصیلات تکمیلی در دوران همه‌گیری انجام شد. مواد و روش‌ها: این پژوهش یک مطالعه مقطعی مبتنی بر پرسشنامه است که بین ژانویه ۲۰۲۱ تا ژوئن ۲۰۲۱ در میان ۱۱۷ دانشجوی پزشکی تحصیلات تکمیلی در منطقه جنوب‌شرقی بنگلادش انجام شد. CVS با استفاده از پرسشنامه CVS که توسط پاسخ‌دهندگان از طریق فرم‌های آنلاین Google تکمیل شد، ارزیابی گردید. نتایج: میانگین سنی شرکت‌کنندگان ۳۲٫۲ ± ۳٫۱ سال بود و اکثریت مرد بودند (۶۹ نفر از ۱۱۷ نفر، ۵۹٪). اکثریت قابل توجهی از تلفن هوشمند (۱۱۶ نفر از ۱۱۷ نفر، ۹۹٫۱٪) برای شبکه‌های اجتماعی (۱۰۳ نفر از ۱۱۷ نفر، ۸۸٫۰٪) و مطالعه (۱۰۲ نفر از ۱۱۷ نفر، ۸۷٫۲٪) استفاده می‌کردند. مدت زمان استفاده از صفحه نمایش دیجیتال در دوران کووید-۱۹ نسبت به قبل از آن بیشتر بود، به طوری که اکثریت در دوران کووید-۱۹ به مدت ۴ تا ۶ ساعت از دستگاه‌ها استفاده می‌کردند در حالی که پیش از آن ۲ تا ۴ ساعت بود. این مطالعه شیوع CVS را ۵۲٫۱٪ (n = 61) گزارش کرد و علائم شایع شامل سردرد، احساس سوزش، ریزش اشک و درد چشم بود. ارتباط معناداری بین CVS و عدم استراحت در حین استفاده از دستگاه‌های دیجیتال مشاهده شد (p = 0.041). با این حال، تنها ۱۸٫۸٪ (۲۲ نفر از ۱۱۷ نفر) از شرکت‌کنندگان از قانون ۲۰-۲۰-۲۰ اطلاع داشتند. نتیجه‌گیری: در دوران همه‌گیری کووید-۱۹، مشکلات چشمی مرتبط با استفاده بیش از حد از ابزارهای دیجیتال در میان دانشجویان پزشکی تحصیلات تکمیلی به طور قابل توجهی افزایش یافته است. لزوم ارتقاء آگاهی درباره CVS و پیشگیری از علائم آن حیاتی است.

Screen time guidelines for preschoolers have heavily relied on duration controls. Recently, guidelines have evolved to focus on the content and context of use; however, digital health impacts are still widely measured against guideline targets that apply a one-size-fits-all assumption. Despite these recommendations, a global meta-analysis shows that only 35.6% of children under age five adhere to these guidelines. This low compliance is driven by contemporary lifestyle demands, busy parental schedules, and constrained urban spaces. Compounded by socioeconomic disparities and a lack of practical ideas for alternative activities, screens have become a default domestic childcare arrangement, escalating passive, isolated consumption. This paper introduces a three-layered ecological framework that bridges the gap between the targets of institutional guidelines and the diverse ground realities of managing digital engagement across different socioeconomic statuses. It lays out a practical blueprint to operationalize these objectives through a protocol that integrates screen awareness, meaningful alternatives, active engagement, responsive caregiving, and traditional games. This framework provides actionable guidance to help families transition from digital silos to interactive, shared spaces, aiming to alleviate parental stress and support the parent–child relationship.

راهنمایی‌های مربوط به زمان استفاده از صفحه‌نمایش برای کودکان پیش‌دبستانی عمدتاً بر کنترل مدت زمان تمرکز داشته‌اند. اخیراً، این راهنمایی‌ها به سمت تمرکز بر محتوای مصرفی و زمینهٔ استفاده تحول یافته‌اند؛ با این حال، تأثیرات سلامت دیجیتال همچنان عمدتاً بر اساس اهداف راهنماهایی سنجیده می‌شود که فرض یکسان‌سازی را برای همه به کار می‌برند. با وجود این توصیه‌ها، یک فراتحلیل جهانی نشان می‌دهد که تنها ۳۵٫۶٪ از کودکان زیر پنج سال به این راهنماها پایبند هستند. این میزان پایین تبعیت، ناشی از الزامات سبک زندگی معاصر، برنامه‌های شلوغ والدین و محدودیت فضاهای شهری است. این وضعیت با نابرابری‌های اجتماعی‌اقتصادی و کمبود ایده‌های عملی برای فعالیت‌های جایگزین تشدید می‌شود و در نتیجه، صفحه‌نمایش‌ها به گزینهٔ پیش‌فرض مراقبت از کودک در خانه تبدیل شده‌اند و مصرف منفعل و منزوی را افزایش داده‌اند. این مقاله چارچوبی بوم‌شناختی سه‌لایه را معرفی می‌کند که شکاف میان اهداف راهنماهای نهادی و واقعیت‌های متنوع مدیریت تعامل دیجیتال در میان وضعیت‌های اجتماعی‌اقتصادی مختلف را پر می‌کند. این چارچوب، نقشهٔ عملیاتی برای تحقق این اهداف از طریق پروتکلی ارائه می‌دهد که آگاهی از صفحه‌نمایش، جایگزین‌های معنادار، مشارکت فعال، مراقبت پاسخگو و بازی‌های سنتی را ادغام می‌کند. این چارچوب، راهنمایی‌های عملی برای کمک به خانواده‌ها جهت گذار از انزوای دیجیتال به فضاهای مشترک و تعاملی فراهم می‌آورد و با هدف کاهش استرس والدین و حمایت از رابطهٔ والد–کودک ارائه شده است.

People living with severe mental illness experience substantial health inequalities and high rates of premature mortality, largely driven by modifiable lifestyle-related risk factors, including poor diet quality. Digital technologies may provide scalable and flexible opportunities to support healthier behaviours; however, few interventions have specifically targeted nutrition-related outcomes as a primary focus in this population. MindBia is a co-designed, web-based digital nutrition intervention consisting of six structured modules developed for individuals residing in high-support mental health hostels. The intervention was informed by prior studies with service users and mental health staff. This pilot study aims to evaluate the feasibility, acceptability, and preliminary effectiveness of the MindBia intervention over eight weeks. A mixed-method pre-post design will be employed. Participants will complete baseline and post-intervention assessments examining dietary behaviours, digital literacy, and general wellbeing. Engagement with the web-based application will be monitored using embedded usage analytics. Semi-structured interviews conducted post-intervention will explore participants’ experiences, perceived impact, and barriers to engagement. Findings from this pilot study will inform refinement of the MindBia web-based application and guide the design of a larger scale trial evaluating its overall effectiveness.

افراد مبتلا به اختلال روانی شدید با نابرابری‌های قابل توجه سلامت و نرخ بالای مرگ‌ومیر زودرس مواجه هستند که عمدتاً ناشی از عوامل خطر مرتبط با سبک زندگی قابل تغییر، از جمله کیفیت پایین رژیم غذایی است. فناوری‌های دیجیتال ممکن است فرصت‌هایی مقیاس‌پذیر و انعطاف‌پذیر برای حمایت از رفتارهای سالم‌تر فراهم کنند؛ با این حال، تعداد کمی از مداخلات به طور خاص پیامدهای مرتبط با تغذیه را به عنوان تمرکز اصلی در این جمعیت هدف قرار داده‌اند. MindBia یک مداخله تغذیه‌ای دیجیتال مبتنی بر وب است که با مشارکت کاربران خدمات و کارکنان سلامت روان، شامل شش ماژول ساختاریافته برای افراد ساکن در خوابگاه‌های سلامت روان با حمایت بالا طراحی شده است. این مطالعه مقدماتی با هدف ارزیابی امکان‌سنجی، مقبولیت و اثربخشی اولیه مداخله MindBia طی هشت هفته انجام می‌شود. از طرح پژوهشی ترکیبی پیش‌آزمون-پس‌آزمون استفاده خواهد شد. شرکت‌کنندگان ارزیابی‌های پایه و پس از مداخله را در زمینه رفتارهای تغذیه‌ای، سواد دیجیتال و سلامت عمومی تکمیل خواهند کرد. میزان مشارکت با برنامه مبتنی بر وب از طریق تحلیل‌های کاربری تعبیه‌شده پایش می‌شود. مصاحبه‌های نیمه‌ساختاریافته پس از مداخله به منظور بررسی تجارب شرکت‌کنندگان، تأثیر ادراک‌شده و موانع مشارکت انجام خواهد شد. یافته‌های این مطالعه مقدماتی به اصلاح برنامه مبتنی بر وب MindBia و هدایت طراحی کارآزمایی بزرگ‌مقیاس برای ارزیابی اثربخشی کلی آن کمک خواهد کرد.

Healthcare digital transformation is increasingly central to modernising health systems, yet technology investment alone does not guarantee better service quality. This study investigates the organisational mechanism through which digital transformation contributes to healthcare service quality, focusing on the mediating role of change management at King Abdulaziz University Hospital in Jeddah, Saudi Arabia. Drawing on the Technology-Organization-Environment (TOE) framework and established change-management perspectives, the study examines the direct effect of Healthcare Digital Transformation (HDT) on Healthcare Service Quality (HSQ), the effect of HDT on Change Management (CM), the effect of CM on HSQ, and the mediating role of CM in the HDT-HSQ relationship. We conducted a quantitative, cross-sectional survey using stratified random sampling. Of 400 questionnaires distributed, 358 were returned, and 340 were usable. We analysed the data using Partial Least Squares Structural Equation Modelling (PLS-SEM) with SmartPLS 4 and 5,000 bootstrap resamples. The results show significant positive effects of HDT on HSQ (? = 0.383, p < .001), HDT on CM (? = 0.539, p < .001), and CM on HSQ (? = 0.461, p < .001). The indirect effect of HDT on HSQ through CM is also significant (? = 0.248, p < .001), while the direct effect remains significant, indicating partial mediation. The model explains 62% of the variance in HSQ, and the reported VAF of 39.3% indicates a substantial mediating contribution by change management. The study demonstrates that digital transformation creates value through both technological improvements and organisational processes that enable workforce adaptation, communication, training, and workflow redesign.

تحول دیجیتال مراقبت‌های سلامت به طور فزاینده‌ای در نوسازی نظام‌های سلامت نقش مرکزی دارد، اما سرمایه‌گذاری صرف در فناوری تضمین‌کننده بهبود کیفیت خدمات نیست. این پژوهش سازوکار سازمانی‌ای را که از طریق آن تحول دیجیتال به کیفیت خدمات مراقبت‌های سلامت کمک می‌کند، با تمرکز بر نقش میانجی‌گری مدیریت تغییر در بیمارستان دانشگاه King Abdulaziz در جده عربستان سعودی بررسی می‌کند. با بهره‌گیری از چارچوب فناوری-سازمان-محیط (TOE) و دیدگاه‌های معتبر مدیریت تغییر، این پژوهش اثر مستقیم تحول دیجیتال مراقبت‌های سلامت (HDT) بر کیفیت خدمات مراقبت‌های سلامت (HSQ)، اثر HDT بر مدیریت تغییر (CM)، اثر CM بر HSQ و نقش میانجی‌گری CM در رابطه HDT-HSQ را بررسی می‌کند. این مطالعه به روش کمی و مقطعی و با نمونه‌گیری تصادفی طبقه‌ای انجام شد. از میان ۴۰۰ پرسشنامه توزیع‌شده، ۳۵۸ پرسشنامه بازگردانده شد و ۳۴۰ پرسشنامه قابل استفاده بود. داده‌ها با استفاده از مدل‌سازی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM) با نرم‌افزار SmartPLS 4 و ۵٬۰۰۰ بوت‌استرپ تحلیل شد. نتایج نشان داد که اثرات مثبت معناداری از HDT بر HSQ (β = 0.383, p < .001)، HDT بر CM (β = 0.539, p < .001) و CM بر HSQ (β = 0.461, p < .001) وجود دارد. اثر غیرمستقیم HDT بر HSQ از طریق CM نیز معنادار بود (β = 0.248, p < .001)، در حالی که اثر مستقیم همچنان معنادار باقی ماند که نشان‌دهنده میانجی‌گری جزئی است. مدل ۶۲٪ از واریانس HSQ را تبیین می‌کند و VAF گزارش‌شده برابر با ۳۹.۳٪ نشان‌دهنده سهم میانجی‌گری قابل توجه مدیریت تغییر است. این پژوهش نشان می‌دهد که تحول دیجیتال از طریق بهبودهای فناورانه و همچنین فرایندهای سازمانی که سازگاری نیروی کار، ارتباطات، آموزش و بازطراحی جریان کار را امکان‌پذیر می‌سازد، ارزش‌آفرینی می‌کند.

Depression represents a complex, multifactorial disorder influenced by the interplay of biological, behavioral, and social determinants. While extensive health surveys, including the National Health and Nutrition Examination Survey (NHANES), gather comprehensive multidomain data, existing studies tend to analyze these domains independently, overlooking the potential to identify integrated, data-driven patterns of depression risk. We have developed SYNERGY-VAE, an interpretable and multimodal deep learning framework that is designed to identify latent health subgroups and facilitate the transparent prediction of depression risk, utilizing NHANES-derived multimodal data from a large analytic cohort that spans five distinct domains from 2005 to 2018. SYNERGY-VAE utilizes a variational autoencoder to learn a shared latent representation derived from five modalities of NHANES, specifically demographic, dietary, examination, laboratory, and questionnaire data. Clustering within this latent space revealed subpopulations exhibiting distinct health signatures. To enhance interpretability, we triangulated insights utilizing encoder weights, standardized mean differences, and permutation feature importance (PFI). Machine learning classifiers were trained within each cluster employing the top 30 PFI-ranked features, with performance evaluated through the receiver operating characteristic area under the curve (AUC) in a 70/30 train-test split. Three latent clusters emerged, each demonstrating markedly different observed prevalence rates of depression within the analytic sample, ranging from 6.8% to 10.9%. Cluster-specific models consistently surpassed pooled models in performance, with the highest predictive accuracy identified in Cluster 2 utilizing XGBoost (AUC = 0.839, 95% CI:0.804–0.874). The importance of features varied across clusters, indicating unique depression risk profiles specific to each subgroup. SYNERGY-VAE demonstrates the power of generative, explainable deep learning for the identification of latent health phenotypes, thereby furthering the objectives of precision mental health. By integrating high-dimensional, multimodal data and facilitating transparent subgroup discovery, our model may inform future stratified and context-aware screening research and contribute to precision psychiatry-oriented research in large health survey datasets.

افسردگی یک اختلال پیچیده و چندعاملی است که تحت تأثیر تعامل عوامل زیستی، رفتاری و اجتماعی قرار دارد. اگرچه پیمایش‌های گسترده سلامت، از جمله پیمایش ملی سلامت و تغذیه (NHANES)، داده‌های جامع چندحوزه‌ای را گردآوری می‌کنند، مطالعات موجود تمایل دارند این حوزه‌ها را به طور مستقل تحلیل کنند و از شناسایی الگوهای یکپارچه و مبتنی بر داده‌های ریسک افسردگی غافل می‌شوند. ما SYNERGY-VAE را توسعه داده‌ایم؛ یک چارچوب یادگیری عمیق چندوجهی و قابل تبیین که برای شناسایی زیرگروه‌های پنهان سلامت و تسهیل پیش‌بینی شفاف ریسک افسردگی طراحی شده است و از داده‌های چندوجهی استخراج‌شده از NHANES در یک نمونه تحلیلی بزرگ که پنج حوزه متمایز را از سال ۲۰۰۵ تا ۲۰۱۸ دربرمی‌گیرد، بهره می‌برد. SYNERGY-VAE از یک واریاسیونال اتوانکودر برای یادگیری نمایش پنهان مشترک مشتق‌شده از پنج وجه NHANES، به طور خاص داده‌های جمعیت‌شناختی، رژیمی، معاینه، آزمایشگاهی و پرسشنامه‌ای استفاده می‌کند. خوشه‌بندی در این فضای پنهان، زیرجمعیت‌هایی با امضاهای سلامت متمایز را آشکار ساخت. برای افزایش قابلیت تبیین، بینش‌ها با استفاده از وزن‌های انکودر، تفاوت میانگین استانداردشده و اهمیت ویژگی مبتنی بر جایگشت (PFI) مثلث‌بندی شدند. طبقه‌بندهای یادگیری ماشین در هر خوشه با استفاده از ۳۰ ویژگی برتر رتبه‌بندی‌شده بر اساس PFI آموزش داده شدند و عملکرد آن‌ها از طریق مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) در تقسیم ۷۰/۳۰ آموزش-آزمون ارزیابی شد. سه خوشه پنهان شناسایی شد که هر یک نرخ‌های شیوع مشاهده‌شده افسردگی به طور قابل توجهی متفاوتی را در نمونه تحلیلی نشان دادند، که از ۶.۸٪ تا ۱۰.۹٪ متغیر بود. مدل‌های اختصاصی خوشه به طور پیوسته عملکرد بهتری نسبت به مدل‌های تجمیعی داشتند و بالاترین دقت پیش‌بینی در خوشه ۲ با استفاده از XGBoost (AUC = 0.839, 95% CI:0.804–0.874) مشاهده شد. اهمیت ویژگی‌ها در خوشه‌های مختلف متفاوت بود و نشان‌دهنده پروفایل‌های ریسک افسردگی منحصر به فرد برای هر زیرگروه بود. SYNERGY-VAE قدرت یادگیری عمیق مولد و قابل تبیین را برای شناسایی فنوتیپ‌های پنهان سلامت نشان می‌دهد و بدین ترتیب اهداف سلامت روان دقیق را پیش می‌برد. با یکپارچه‌سازی داده‌های چندوجهی با ابعاد بالا و تسهیل کشف شفاف زیرگروه‌ها، مدل ما می‌تواند پژوهش‌های آینده غربالگری لایه‌بندی‌شده و زمینه‌محور را اطلاع‌رسانی کند و به پژوهش‌های روان‌پزشکی دقیق در داده‌های بزرگ پیمایش سلامت کمک نماید.

Mood follows a well-documented circadian rhythm. Sleep timing and duration are similarly shaped by biological and social factors. However, large-scale, real-world data on how these patterns vary across demographic groups remain limited. Prior studies often rely on laboratory data or social media linguistic analysis, which lack direct self-reports. This study examines hourly, weekly, and demographic trends in mood and sleep duration reports using one of the largest online datasets of directly self-reported behavioral health: 468,092 Lumosity users (aged 20–79) who reported daily mood (−2 to +2 scale) and sleep duration (≤5–9 + hours). We assessed variation by time of day, day of week, and interactions of age, gender, and race/ethnicity using ANOVA and linear regression. Mood was higher among users reporting in the afternoon and evening, and lower from late night through morning. Mood showed a U-shaped pattern with age, consistent throughout the week, and longer sleep duration was linked to better mood reports throughout the day and week. Sleep duration varied by time of report and by day of week, with longer durations in the afternoon/evening and on weekends. Women reported longer sleep overall, Black users reported shorter sleep, and sleep duration declined from young adulthood through midlife before rising slightly among older users. Higher mood was associated with longer sleep, and the weekday-weekend mood difference was larger among users reporting longer sleep. These findings demonstrate the value of large-scale digital data for public health insight, highlighting demographic disparities in sleep and the importance of midlife as a key intervention period. Because the sample is likely skewed toward higher educational attainment and health engagement, disparity estimates may understate true population-level differences. The late-night peak in negative affect aligns with literature on nocturnal suicide risk, though this nonclinical sample cannot directly speak to clinical risk or crisis-service need.

خلق و خو از یک ریتم شبانه‌روزی مستند پیروی می‌کند. زمان‌بندی و مدت خواب نیز به طور مشابه تحت تأثیر عوامل زیستی و اجتماعی قرار دارند. با این حال، داده‌های واقعی و گسترده درباره چگونگی تغییر این الگوها در میان گروه‌های جمعیت‌شناختی همچنان محدود است. مطالعات پیشین اغلب به داده‌های آزمایشگاهی یا تحلیل زبانی شبکه‌های اجتماعی متکی هستند که فاقد خودگزارش‌دهی مستقیم می‌باشند. این مطالعه روندهای ساعتی، هفتگی و جمعیت‌شناختی در گزارش‌های خلق و مدت خواب را با استفاده از یکی از بزرگ‌ترین مجموعه داده‌های آنلاین سلامت رفتاری با خودگزارش‌دهی مستقیم بررسی می‌کند: ۴۶۸٬۰۹۲ کاربر Lumosity (در بازه سنی ۲۰ تا ۷۹ سال) که روزانه خلق (در مقیاس −۲ تا +۲) و مدت خواب (۵ ساعت یا کمتر تا ۹ ساعت و بیشتر) را گزارش کردند. ما تغییرات را بر اساس زمان روز، روز هفته و تعاملات سن، جنسیت و نژاد/قومیت با استفاده از تحلیل واریانس (ANOVA) و رگرسیون خطی ارزیابی کردیم. خلق در میان کاربرانی که در بعدازظهر و عصر گزارش داده‌اند بالاتر و از نیمه‌شب تا صبح پایین‌تر بود. خلق الگوی U شکلی با سن نشان داد که در طول هفته ثابت بود و مدت خواب طولانی‌تر با گزارش‌های خلق بهتر در سراسر روز و هفته همراه بود. مدت خواب بر اساس زمان گزارش و روز هفته متفاوت بود، به طوری که در بعدازظهر/عصر و آخر هفته‌ها مدت خواب طولانی‌تر بود. زنان به طور کلی خواب طولانی‌تری گزارش کردند، کاربران سیاه‌پوست خواب کوتاه‌تری گزارش کردند و مدت خواب از اوایل بزرگسالی تا میانسالی کاهش یافت و سپس در میان کاربران مسن‌تر اندکی افزایش یافت. خلق بالاتر با خواب طولانی‌تر همراه بود و تفاوت خلق بین روزهای هفته و آخر هفته در میان کاربرانی که خواب طولانی‌تری گزارش کردند بیشتر بود. این یافته‌ها ارزش داده‌های دیجیتال گسترده را برای بینش سلامت عمومی نشان می‌دهد و بر نابرابری‌های جمعیت‌شناختی در خواب و اهمیت میانسالی به عنوان دوره‌ای کلیدی برای مداخله تأکید می‌کند. از آنجا که نمونه احتمالاً به سمت تحصیلات بالاتر و مشارکت بیشتر در سلامت گرایش دارد، برآورد نابرابری‌ها ممکن است تفاوت‌های واقعی در سطح جمعیت را کمتر از واقعیت نشان دهد. اوج خلق منفی در نیمه‌شب با ادبیات مربوط به خطر خودکشی شبانه همسو است، اگرچه این نمونه غیر بالینی نمی‌تواند مستقیماً درباره خطر بالینی یا نیاز به خدمات بحران اظهار نظر کند.

Background Against the backdrop of digital empowerment, generative artificial intelligence has been widely applied in school-age children’s reading education, and digital reading has become one of the primary types of environmental exposure for school-age children. However, school-age children face challenges such as insufficient age-appropriate content and uncontrollable physical and mental strain. There is an urgent demand for a public health intervention model that balances reading-related health benefits, prevents and controls digital exposure risks, avoids physical and mental health impairments, and adapts to school-age children from diverse socioeconomic backgrounds. Methods A retrospective control study design was used in this study. A total of 100 cases of school-age children aged 6–12 were collected from the standardized intervention archive of our institution from September 2025 to December 2025. According to the intervention plan actually accepted in the archive records, they were divided into the collaborative intervention group and the AI-only reading group with 50 cases in each group. In the AI-only reading group, the recorded intervention is purely generative AI independent reading intervention (college students are only responsible for equipment operation and maintenance, and do not participate in reading guidance and emotional intervention), while in the collaborative intervention group, the recorded intervention is the structured auxiliary collaborative intervention of the whole process of generative AI voice multi-round interactive reading combined with standardized training for college students. The intervention period is 12 weeks, three times a week, and each time is 20–25 min. Retrospective analysis of longitudinal data at baseline, 6 weeks of intervention, 12 weeks of follow-up and 4 weeks of follow-up, with the comprehensive score of early reading as the only preset main outcome index, repeated measurement analysis of variance, independent sample t -test and chi-square test were used to analyze the inter-group and time effects, Cohen’s d was used to evaluate the effect, and the test level was α = 0.05. Results Retrospective archive data shows that, after intervention, the collaborative intervention group achieved significantly higher composite early reading scores, phonological awareness, vocabulary comprehension accuracy, reading attention duration and reading interest scores than the AI-only reading group ( p < 0.05). The main effects of group, time and the group-time interaction were all highly statistically significant ( p < 0.01), with an effect size of Cohen’s d = 0.50 representing a moderate intervention effect. The collaborative intervention group also showed significantly higher intervention adherence rate, AI interaction completion rate, reading task completion rate and frequency of active participation than the AI-only reading group ( p < 0.05). In terms of digital health-related outcomes, the collaborative intervention group had significantly lower incidence of adverse psychological states, incidence of prodromal signs of visual fatigue and digital eye strain symptoms, and study dropout rate ( p < 0.05). Among the digital health-related safety indicators, the incidence of negative emotions, visual fatigue and research dropout rate were significantly lower than those of the AI-only reading group ( p < 0.05). The archived records showed that the whole screen duration was strictly in compliance, and there was no privacy leakage and serious adverse events. The 10% lost visit rate was controllable, and the complete rate of informed consent and the qualified rate of implementation were all 100%, and there was no privacy leakage and serious adverse events. Conclusion The generative AI interaction mode paired with college student auxiliary support is associated with sustained improvement school-age children’s core early reading ability via cumulative short-term follow-up effects. Meanwhile, this collaborative model enables effective management of digital environmental exposure risks and may reduce risks related to visual and psychological health among school-age children. The intergroup differences remained stable with reliable effect sizes. This intervention model can be may provide a reference for future implementation as a digital public health intervention targeting school-age children’s early reading, and provides preliminary empirical evidence for the standardized application of AI-supported education for school-age children. This retrospective study only reflects the differences between groups of compound intervention programs in archived cases, and cannot establish strong causal inference.

زمینه: در بستر توانمندسازی دیجیتال، هوش مصنوعی مولد به طور گسترده‌ای در آموزش خواندن کودکان سن مدرسه به کار گرفته شده است و خواندن دیجیتال به یکی از انواع اصلی مواجهه‌ی محیطی برای کودکان سن مدرسه تبدیل شده است. با این حال، کودکان سن مدرسه با چالش‌هایی مانند کمبود محتوای متناسب با سن و فشارهای جسمی و روانی غیرقابل کنترل مواجه هستند. نیاز فوری به یک الگوی مداخله‌ی سلامت عمومی وجود دارد که منافع سلامت مرتبط با خواندن را متعادل کند، خطرات مواجهه‌ی دیجیتال را پیشگیری و کنترل نماید، از آسیب‌های سلامت جسمی و روانی جلوگیری کند و با کودکان سن مدرسه از زمینه‌های اجتماعی-اقتصادی متنوع سازگار باشد. روش‌ها: در این مطالعه از طرح کنترل گذشته‌نگر استفاده شد. در مجموع ۱۰۰ مورد از کودکان سن مدرسه ۶ تا ۱۲ ساله از آرشیو مداخله‌ی استانداردشده‌ی مؤسسه‌ی ما از سپتامبر ۲۰۲۵ تا دسامبر ۲۰۲۵ جمع‌آوری شد. بر اساس برنامه‌ی مداخله‌ای که واقعاً در سوابق آرشیو پذیرفته شده بود، آن‌ها به دو گروه مداخله‌ی مشارکتی و گروه خواندن صرفاً با هوش مصنوعی تقسیم شدند که هر گروه شامل ۵۰ نفر بود. در گروه خواندن صرفاً با هوش مصنوعی، مداخله‌ی ثبت‌شده صرفاً مداخله‌ی خواندن مستقل با هوش مصنوعی مولد بود (دانشجویان دانشگاه فقط مسئول راه‌اندازی و نگهداری تجهیزات بودند و در راهنمایی خواندن و مداخله‌ی عاطفی شرکت نداشتند)، در حالی که در گروه مداخله‌ی مشارکتی، مداخله‌ی ثبت‌شده، مداخله‌ی ساختاریافته‌ی کمکی مشارکتی در کل فرایند خواندن تعاملی چندمرحله‌ای صوتی با هوش مصنوعی مولد همراه با آموزش استانداردشده برای دانشجویان دانشگاه بود. دوره‌ی مداخله ۱۲ هفته، سه بار در هفته و هر بار ۲۰ تا ۲۵ دقیقه بود. تحلیل گذشته‌نگر داده‌های طولی در خط پایه، ۶ هفته مداخله، ۱۲ هفته پیگیری و ۴ هفته پیگیری انجام شد و امتیاز جامع خواندن اولیه به عنوان تنها شاخص اصلی از پیش تعیین‌شده در نظر گرفته شد. برای تحلیل اثرات بین‌گروهی و زمانی از تحلیل واریانس اندازه‌گیری مکرر، آزمون t مستقل و آزمون کای-دو استفاده شد، اندازه‌ی اثر با Cohen’s d ارزیابی شد و سطح آزمون α = ۰٫۰۵ بود. نتایج: داده‌های آرشیوی گذشته‌نگر نشان داد که پس از مداخله، گروه مداخله‌ی مشارکتی در امتیاز ترکیبی خواندن اولیه، آگاهی واجی، دقت درک واژگان، مدت زمان توجه به خواندن و امتیاز علاقه به خواندن به طور معناداری بالاتر از گروه خواندن صرفاً با هوش مصنوعی بود (p < 0.05). اثرات اصلی گروه، زمان و تعامل گروه-زمان همگی از نظر آماری بسیار معنادار بودند (p < 0.01) و اندازه‌ی اثر Cohen’s d = 0.50 نشان‌دهنده‌ی اثر مداخله‌ای متوسط بود. گروه مداخله‌ی مشارکتی همچنین نرخ پایبندی به مداخله، نرخ تکمیل تعامل با هوش مصنوعی، نرخ تکمیل وظیفه‌ی خواندن و فراوانی مشارکت فعال به طور معناداری بالاتری نسبت به گروه خواندن صرفاً با هوش مصنوعی نشان داد (p < 0.05). از نظر پیامدهای مرتبط با سلامت دیجیتال، گروه مداخله‌ی مشارکتی شیوع معناداری کمتری از وضعیت‌های روانی نامطلوب، نشانه‌های پیش‌درآمد خستگی بینایی و علائم خستگی چشمی دیجیتال و نرخ ترک تحصیل داشت (p < 0.05). در میان شاخص‌های ایمنی مرتبط با سلامت دیجیتال، شیوع هیجانات منفی، خستگی بینایی و نرخ ترک پژوهش به طور معناداری کمتر از گروه خواندن صرفاً با هوش مصنوعی بود (p < 0.05). سوابق آرشیوی نشان داد که مدت زمان کل استفاده از صفحه نمایش کاملاً مطابق با مقررات بوده و هیچ نشتی حریم خصوصی و رویداد نامطلوب جدی وجود نداشته است. نرخ مراجعه‌ی از دست رفته ۱۰٪ قابل کنترل بود و نرخ کامل بودن رضایت آگاهانه و نرخ اجرای واجد شرایط هر دو ۱۰۰٪ بود و هیچ نشتی حریم خصوصی و رویداد نامطلوب جدی وجود نداشت. نتیجه‌گیری: شیوه‌ی تعاملی هوش مصنوعی مولد همراه با حمایت کمکی دانشجویان دانشگاه با بهبود پایدار توانایی خواندن اولیه‌ی هسته‌ای کودکان سن مدرسه از طریق اثرات تجمعی پیگیری کوتاه‌مدت مرتبط است. در عین حال، این مدل مشارکتی امکان مدیریت مؤثر خطرات مواجهه با محیط دیجیتال را فراهم می‌کند و ممکن است خطرات مرتبط با سلامت بینایی و روانی کودکان سن مدرسه را کاهش دهد. تفاوت‌های بین‌گروهی با اندازه‌های اثر قابل اعتماد پایدار باقی ماندند. این مدل مداخله می‌تواند به عنوان مرجعی برای اجرای آینده به عنوان یک مداخله‌ی سلامت عمومی دیجیتال با هدف خواندن اولیه‌ی کودکان سن مدرسه مورد استفاده قرار گیرد و شواهد تجربی مقدماتی برای کاربرد استاندارد آموزش مبتنی بر هوش مصنوعی برای کودکان سن مدرسه فراهم می‌کند. این مطالعه‌ی گذشته‌نگر فقط تفاوت‌های بین گروه‌های برنامه‌های مداخله‌ی ترکیبی در موارد آرشیوی را منعکس می‌کند و نمی‌تواند استنباط علّی قوی ایجاد کند.