Efectos de las adicciones a Internet y teléfonos inteligentes en la depresión y la ansiedad basadas en el análisis de coincidencia de puntaje de propensión (2018)

Int J Environ Res Salud Pública. 2018 Abr 25; 15 (5). pii: E859. doi: 10.3390 / ijerph15050859.

Kim YJ1, Jang HM2, Lee Y3, Lee D4, Kim DJ5.

Resumen

Las asociaciones de adicción a Internet (IA) y adicción a teléfonos inteligentes (SA) con problemas de salud mental han sido ampliamente estudiadas. Investigamos los efectos de IA y SA en la depresión y la ansiedad mientras se ajustaban las variables sociodemográficas. En este estudio, los participantes de 4854 completaron una encuesta transversal en la web que incluye elementos sociodemográficos, la Escala coreana para la adicción a Internet, la Escala de predisposición a la adicción a teléfonos inteligentes y las subescalas de la Lista de verificación de síntomas de artículos revisados ​​de 90. Los participantes se clasificaron en IA, SA y grupos de uso normal (NU). Para reducir el sesgo de muestreo, aplicamos el método de coincidencia de puntuación de propensión basado en la coincidencia genética. El grupo IA mostró un mayor riesgo de depresión (riesgo relativo 1.207; p <0.001) y ansiedad (riesgo relativo 1.264; p <0.001) en comparación con NU. El grupo SA también mostró un mayor riesgo de depresión (riesgo relativo 1.337; p <0.001) y ansiedad (riesgo relativo 1.402; p <0.001) en comparación con los NC. Estos hallazgos muestran que tanto IA como SA ejercieron efectos significativos sobre la depresión y la ansiedad. Además, nuestros hallazgos mostraron que SA tiene una relación más fuerte con la depresión y la ansiedad, más fuerte que IA, y enfatizaron la necesidad de una política de prevención y manejo del uso excesivo de teléfonos inteligentes.

PALABRAS CLAVE:  Adicción a Internet; ansiedad; depresión; puntaje de propensión; adicción a los teléfonos inteligentes

PMID: 29693641

DOI: 10.3390 / ijerph15050859

 

1. Introducción

Con el uso y la comodidad crecientes de Internet y los teléfonos inteligentes en la vida cotidiana, la investigación acumulada ha demostrado los efectos negativos del uso excesivo de Internet y teléfonos inteligentes en el ámbito de la salud mental [1].
La tasa de usuarios de teléfonos inteligentes en la población de Corea del Sur es aproximadamente 85%, la más alta en todo el mundo [2]. Sin embargo, el uso excesivo del teléfono inteligente está fuertemente asociado con una serie de problemas de salud mental, incluido el estrés y un mayor riesgo de ansiedad anormal [3,4]. La adicción a los teléfonos inteligentes (SA) se ha convertido en una nueva forma de adicción junto con las adicciones a Internet (IA), y la característica clínica de las SA ha recibido atención en los últimos años [5]. Por ejemplo, existen algunas diferencias con respecto a la naturaleza de los dispositivos, como la facilidad de transporte, el acceso a Internet en tiempo real y las funciones de comunicación directa de los teléfonos inteligentes [6]. Se han informado similitudes y diferencias entre IA y SA con respecto a las variables demográficas y los aspectos motivacionales del uso de los medios de comunicación [1,6].
Desde el aspecto ambiental, la falta de actividades alternativas se asocia con IA [7]. Además, se ha informado que estar soltero está fuertemente asociado con una red social y con juegos en línea [8]. En cuanto al nivel educativo y las dimensiones de los ingresos mensuales, un estudio reciente en personas con SA encontró diferencias significativas en la dimensión de la salud en favor de aquellos que tenían ingresos más bajos y un menor grado de educación [9]. De acuerdo con este hallazgo, una revisión sistemática informó una correlación significativa entre el rendimiento académico y la gravedad de la IA [10]. Con respecto a la edad, una revisión reciente encontró que el uso problemático de Internet es más relevante tanto para adolescentes como para adultos emergentes (años 19 y mayores) [10], mientras que la adicción a los teléfonos inteligentes es más frecuente en los adolescentes más jóvenes en comparación con los adultos emergentes (19 años y mayores) [11]. Un estudio reciente mostró que las mujeres tienden a tener un promedio más alto de tiempos de uso diario y puntajes de dependencia para los teléfonos inteligentes, en comparación con los hombres [4]. Choi et al. (2015) informó que el género masculino tiene un factor de riesgo relevante para IA y el género femenino para SA [1]. Con respecto al propósito de uso, las redes sociales mostraron estar más fuertemente relacionadas con una alta dependencia de teléfonos inteligentes, en comparación con otras funciones relacionadas con el teléfono móvil [11]. En individuos con IA, Anderson et al. (2016) informó que el género masculino se asoció significativamente con los juegos de PC en línea [10].
Con respecto a los aspectos psicológicos, se han informado ampliamente las asociaciones positivas de IA y SA con la depresión y la ansiedad [12,13]. Estudios recientes han sugerido que la adicción a Internet y los teléfonos inteligentes pueden surgir por el perfil cognitivo-emocional y de comportamiento del usuario en lugar del medio en sí mismo [14,15,16]. Un estudio reciente observó el papel de la empatía y la satisfacción con la vida tanto en IA como en SA [17]. Con respecto a la psicopatología, varios estudios informaron una correlación positiva entre IA, depresión y ansiedad [18,19,20], mientras que un estudio reciente informó una relación entre el uso de teléfonos inteligentes y la gravedad, la depresión y la ansiedad [13]. Por lo tanto, la interrelación entre IA, SA y los problemas de salud mental debe ser delineada con precisión. Además, dada la superposición y las diferencias entre IA y SA [16], entonces, la pregunta que surge es hasta qué punto IA y SA están relacionadas con el aumento en el nivel de depresión y ansiedad después de ajustar los factores demográficos y socioeconómicos de confusión.
No está claro si los problemas de salud mental son causas o consecuencias de la excesiva confianza en Internet y los teléfonos inteligentes. Los estudios transversales han empleado análisis de regresión múltiple para investigar las relaciones entre los problemas de salud mental, IA y SA en las personas [21]. Sin embargo, en los estudios observacionales, que carecen de aleatorización, el análisis de regresión múltiple tiene limitaciones, como la posibilidad de sobreestimación y un error estándar deficiente cuando existen numerosas covariables, además del sesgo de selección [22]. Por lo tanto, la estimación de los efectos de la adicción mediante el simple examen de un resultado particular, como la depresión y la ansiedad, estaría sesgada por el desequilibrio de los factores demográficos y socioeconómicos asociados con IA y SA. Además, ningún estudio ha investigado aún los efectos diferenciales según las características de los usuarios de Internet y teléfonos inteligentes, incluidos los contextos ambientales y los perfiles psicológicos de los usuarios de IA y SA en la depresión y la ansiedad. El emparejamiento del puntaje de propensión (PSM) se ha convertido en un enfoque popular para reducir el sesgo de selección en estudios observacionales [23,24]. En este documento, aplicamos el análisis de PSM para investigar los efectos de IA y SA en la depresión y la ansiedad, a fin de reducir el sesgo de selección en nuestros datos. Elegimos el sexo, la edad, la educación, el estado civil y los ingresos como variable de confusión, considerando la asociación de estas variables sociodemográficas con IA y SA en nuestro estudio [9,25].
El objetivo principal de este estudio es examinar las interrelaciones entre IA, SA y el estado de ánimo, es decir, la depresión y la ansiedad, utilizando un análisis de coincidencia de puntaje de propensión. En segundo lugar, buscamos descubrir cómo los efectos de la depresión y la ansiedad difieren entre IA y SA.

 

 

2. Materiales y métodos

 

 

2.1. Participantes del estudio

Los datos consistieron en las respuestas de la encuesta de autodiagnóstico anónimas en línea de adultos coreanos 5003 (años 19 a 49), realizada por la Universidad Católica de Corea, Seúl; y St. Mary's Hospital en diciembre 2014 [26]. El estudio se realizó de acuerdo con la Declaración de Helsinki. Las juntas de revisión institucional de la Universidad Católica de Corea, Seúl; y el Hospital St. Mary's aprobó este estudio. Todos los participantes fueron informados sobre el estudio y proporcionaron un consentimiento informado por escrito. Los participantes de la encuesta fueron reclutados por un panel de una compañía de investigación y los cuestionarios de autoinforme se administraron a través de Internet sin ninguna compensación. Solo los encuestados de 149, que no usaron teléfonos inteligentes, fueron excluidos. Finalmente, analizamos los datos de los participantes de 4854. En la muestra final, las edades se clasificaron en tres categorías: por debajo de 30 (33.19%), 30 – 39 (43.94%) y 40 – 49 (22.87%). Hubo varones 2573 (53.01%) y hembras 2281 (46.99%). Las variables demográficas adicionales de los participantes considerados fueron educación, estado civil e ingresos.

 

 

2.2. Medidas

 

 

2.2.1. Medición de la adicción a internet

La Escala Coreana para la Adicción a Internet (escala K) se desarrolló en Corea para evaluar la IA y se ha validado en la población coreana con una alta fiabilidad de consistencia interna [27]. El coeficiente alfa de Cronbach para la escala K fue 0.91 [28]. Tiene siete subescalas y ítems 40, que miden la perturbación de la vida diaria, la perturbación de la prueba de la realidad, los pensamientos adictivos automáticos, las relaciones interpersonales virtuales, el comportamiento desviado, el retiro y la tolerancia. Esta escala de tipo Likert se ha establecido de 1 (no en absoluto) a 4 (siempre). De acuerdo con el informe anterior que utiliza esta escala, los participantes se clasificaron en tres grupos: normal, riesgo potencial y riesgo alto [29]. El grupo de alto riesgo se definió como tener una puntuación estandarizada de 70 o superior, en trastornos de la vida diaria, pensamientos adictivos automáticos, factores de tolerancia o al menos 70 en total. El grupo de riesgo potencial se definió como una puntuación de 62 o superior en la perturbación de la vida diaria, pensamientos adictivos automáticos, factores de tolerancia o al menos 63 en total. El grupo de uso normal contenía esas puntuaciones por debajo de estos números. En este estudio, los grupos de IA se componían del riesgo potencial y los grupos de alto riesgo.

 

 

2.2.2. Medición de la adicción a los teléfonos inteligentes

La Escala de Proneness de Adicción al Smartphone (K-SAS) ha sido validada y ampliamente utilizada para detectar SA [30]. Consiste en artículos 15 clasificados en una escala de socorro de tipo Likert de cuatro puntos, desde 1 (en absoluto) a 4 (siempre). Las preguntas examinaron tres factores: la perturbación de la vida diaria, los pensamientos automáticos adictivos y la tolerancia. El coeficiente alfa de Cronbach para K-SAS fue 0.880 [5].
Sobre la base de un informe anterior que utiliza esta escala, utilizamos las puntuaciones para clasificar a los participantes en tres grupos: Normal, riesgo potencial y alto riesgo [30]. El grupo de alto riesgo se definió como tener una puntuación de 44 o más en total, o tener una puntuación de 15 o más en la perturbación de la vida diaria junto con puntuaciones secundarias de 13 o más, tanto en pensamientos adictivos automáticos como en tolerancia. El grupo de riesgo potencial se definió como tener 41 o más en la puntuación total, o 15 o más en el factor de perturbación de la vida diaria. El grupo de uso normal contenía esos puntajes por debajo de estos números [30]. En este estudio, el grupo adicto a los teléfonos inteligentes estaba formado por grupos de alto riesgo y de riesgo potencial.

 

 

2.2.3. Medición de problemas de salud mental: depresión y ansiedad

El SCL-90-R es un cuestionario multidimensional desarrollado para evaluar una variedad de características psicológicas y psicopatológicas de las subescalas de 9: somatización, obsesivo-compulsivo, sensibilidad interpersonal, depresión, ansiedad, hostilidad, ansiedad fóbica, ideación paranoica y psicoticismo [31]. El SCL-90 contiene elementos 90 clasificados en una escala de angustia de puntos 5 desde 0 (ninguno) a 4 (extremo). La fiabilidad test-retest del SCL-90-R en el idioma coreano fue 0.76 para la depresión y 0.77 para la ansiedad. La consistencia interna fue 0.89 para la depresión y 0.86 para la ansiedad [31]. Se ha informado que la depresión y la ansiedad son los síntomas psiquiátricos más fuertemente asociados con IA y SA [12,13]. Las dimensiones específicas de interés para la pantalla en este estudio incluyen las subescalas SCL-90-R para la depresión y la ansiedad.

 

 

2.3. Análisis de los datos

 

 

2.3.1. Definición estadística

Asegúrate de que Zi

 

ser un indicador binario de adicción para el sujeto i; es decir, Zi=1 si el sujeto i es adicto (IA o SA), y Zi=0 de otra manera. El resultado potencial de un problema mental (depresión o ansiedad) se define como Yi(Zi. Tenga en cuenta que solo uno de los resultados potenciales se observa al mismo tiempo para cada sujeto, por lo que el cálculo directo de Yi(1)-Yi es imposible. En lugar del efecto individual, el principal parámetro de interés es el efecto de adicción esperado en la población adicta

τ=E(Yi(1)-Yi(0)|
 
Sin embargo, la estimación de τ

todavía tiene un problema porque E(Yi(0)|Zi no puede ser estimado directamente Por supuesto, en experimentos aleatorios, E(Yi(0)|Zi esta satisfecho, entonces τ Se puede estimar fácilmente. Sin embargo, en un estudio de observación, la estimación ingenua de τ puede ser parcial porque E(Yi(0)|Zi. Para ajustar este sesgo de selección, asumimos que podemos observar las covariables Xi que no se vean afectados por ninguna adicción, y para unas covariables dadas. Xi, los posibles resultados Yi(1), Yi Son condicionalmente independientes del indicador de adicción. Zi. Además, si los resultados potenciales son independientes de la adicción condicional a las covariables Xi, también son independientes de la adicción condicional en el puntaje de propensión. P(Xi)= P(Zi=1|Xi[19]. El estimador de PSM para τ se convierte en

τPSM=EP(X)|Z=1

 

 

 

 

 

2.3.2. Estimación del puntaje de propensión

Las puntuaciones de propensión se calculan mediante regresión logística, un modelo utilizado para predecir la probabilidad de que ocurra una adicción 

logP(Zi=1|Xi)

 

 

 
En este trabajo, como covariables para Xi

 

 

, consideramos cinco covariables categóricos: sexo (1 = masculino y 2 = femenino), edad (1 = 20 – 29, 2 = 30 – 39, y 3 = 40 – XUMX), educación (49 = escuela secundaria, 1 = alta escuela, y 2 = universidad o superior), estado civil (3 = soltero, 1 = convivencia, 2 = casado, 3 = divorciado y 4 = afligido) e ingresos (5 = bajo, 1 = medio-bajo, 2 = medio, 3 = medio-alto y 4 = alto). En Sección 1, estas covariables pueden influir simultáneamente en los resultados (depresión o ansiedad) y adicciones. Por lo tanto, para cada tema, estimamos las puntuaciones de propensión; es decir, la probabilidad condicional de ser adicto dadas las covariables observadas [32].

 

 

2.3.3. Métodos de comparación basados ​​en el puntaje de propensión estimado

Una vez que se estiman las puntuaciones de propensión, se puede usar la comparación para estimar el efecto del tratamiento después de ajustar las diferencias entre los dos grupos [33]. El objetivo del emparejamiento es producir una muestra emparejada que equilibre la distribución del paciente de un estudio y que coincida con las covariables observadas de los grupos de control. Este método de ajuste nos permite controlar las variables de confusión. En este estudio, adoptamos dos métodos de comparación ampliamente utilizados, la combinación óptima y genética [34].

 

 

2.3.4. Estimación de los riesgos relativos de la adicción en problemas de salud mental después del emparejamiento del puntaje de propensión

Después de la coincidencia del puntaje de propensión mediante el uso de las covariables observadas (edad, género, matrimonio, ingresos y educación), tenemos un conjunto de datos más equilibrado. Para modelar el problema de salud mental (depresión o ansiedad), aplicamos modelos lineales generalizados (GLM) a la muestra combinada. Debido a que las puntuaciones de salud mental son positivas y sesgadas, se ajusta la distribución gamma con enlace de registro. Dejar Yi

 

Ser un resultado de interés (un puntaje de depresión o ansiedad) con media. μi, podemos usar el framework Gamma GLM con covariables Xi:

 

logμi=γT
 
 
A través del modelaje, estimamos eγ

 

 

como los riesgos relativos (como una diferencia de medias esperada entre grupos) de IA y SA para cada covariable.

 

 

3. Resultados

Además de los participantes de 4854, 126 (2.60%) se incluyeron en el grupo de IA y 652 (13.43%) se incluyeron en el grupo de SA. Tabla 1 Muestra las estadísticas descriptivas de las puntuaciones de depresión y ansiedad. Las puntuaciones medias de depresión y ansiedad de los grupos IA y SA son mayores que las del grupo de uso normal (NU).
Tabla 1. Estadística descriptiva de las puntuaciones de depresión y ansiedad.
Mesa

 

 

3.1. Calidad de igualación del método de igualación del puntaje de propensión

Aunque condicionamos solo algunas de las covariables en los cuestionarios de este estudio, a través de la puntuación de propensión, encontramos que el procedimiento de emparejamiento fue suficiente para equilibrar la distribución de cada covariable. Tabla 2 y Tabla 3. Se evaluaron las distancias en las distribuciones marginales de Xi

 

 

 

. Para cada covariable, calculamos el sesgo; es decir, la diferencia en los promedios muestrales de las muestras normales y adictas. Antes de aplicar la coincidencia de puntuación de propensión, no se ignoraron los sesgos. Sin embargo, después del emparejamiento del puntaje de propensión, la adicción y las submuestras normales tuvieron una distribución marginal muy similar para todas las covariables.
Tabla 2. Comparación del porcentaje medio de las características de referencia entre los grupos de IA y de uso normal, en la muestra original y en la muestra emparejada con puntaje de propensión, utilizando la concordancia genética y óptima.
Mesa
Tabla 3. Comparación del porcentaje medio de las características basales entre SA y grupos normales, en la muestra original y en la muestra emparejada con puntaje de propensión, utilizando la concordancia genética y óptima.
Mesa

 

 

3.2. Efectos de la adicción a internet sobre la depresión y la ansiedad

Los efectos de la IA en la depresión y la ansiedad obtenidos mediante el emparejamiento del puntaje de propensión se informan en Tabla 4. Mediante el emparejamiento genético, se seleccionaron 3846 muestras. El IA se relacionó con un mayor riesgo de depresión (riesgo relativo 1.207, intervalo de confianza del 95% 1.128-1.292 y p <0.001) y ansiedad (riesgo relativo 1.264, intervalo de confianza del 95% 1.173-1.362 yp <0.001). Todas estas razones de riesgo relativo son significativas porque el intervalo de confianza no contiene el 1. Mediante un emparejamiento óptimo, se seleccionaron 252 muestras. El IA se relacionó con una mayor depresión (riesgo relativo 1.243, intervalo de confianza del 95% 1.145-1.348 y p <0.001) y ansiedad (riesgo relativo 1.308, intervalo de confianza del 95% 1.192-1.435 yp <0.001). De manera similar a la coincidencia genética, las razones de riesgo relativo de depresión y ansiedad son significativamente mayores que 1.
Tabla 4. Efectos de Internet y la adicción a los teléfonos inteligentes en la depresión y la ansiedad, basados ​​en la coincidencia de puntajes de propensión
Mesa

 

 

3.3. Efectos de la adicción al teléfono inteligente sobre la depresión y la ansiedad

Los efectos de la EA en la depresión y la ansiedad mediante el emparejamiento del puntaje de propensión se informan en Tabla 4. Mediante el apareamiento genético, se seleccionaron 4516 muestras. El SA se relacionó con un mayor riesgo de depresión (riesgo relativo 1.337, intervalo de confianza del 95% 1.296-1.378 yp <0.001) y ansiedad (riesgo relativo 1.402, intervalo de confianza del 95% 1.355-1.450 yp <0.001). Mediante un emparejamiento óptimo, se seleccionaron 1304 muestras. El SA se relacionó con un mayor riesgo de depresión (riesgo relativo 1.386, intervalo de confianza del 95% 1.334–1.440 y p <0.001) y ansiedad (riesgo relativo 1.440, intervalo de confianza del 95% 1.380–1.503, yp <0.001). Todas estas razones de riesgo relativo son significativas.

 

 

3.4. Diferencias en los efectos de la adicción a Internet y los teléfonos inteligentes sobre la depresión y la ansiedad

Las razones de riesgo relativo para la depresión y la ansiedad, tanto para el emparejamiento genético como para el óptimo, fueron 10% más altas para SA que para IA. Esto significa que la SA tiene un mayor riesgo de depresión y ansiedad que la IA. Esos intervalos de confianza no contienen el 1, por lo que podemos decir que SA es 34 – 44% más propenso a causar un trastorno mental.

 

 

4. Discusión

Nuestros hallazgos son que tanto IA como SA ejercen efectos significativos sobre la depresión y la ansiedad, incluso después de controlar a los factores de confusión utilizando la puntuación de propensión. Los estudios epidemiológicos han estimado una mayor prevalencia de depresión en la IA [35,36]. Varios estudios transversales han informado que los individuos con IA o SA mostraron niveles más altos de depresión y ansiedad que los usuarios normales [13,37]. En el presente estudio, nuestros resultados muestran los roles de IA y SA en el desarrollo de la depresión y la ansiedad. Hay algunas explicaciones posibles para los resultados actuales. Primero, el uso adictivo de Internet y los teléfonos inteligentes puede aumentar los problemas interpersonales, que están relacionados con la depresión y la ansiedad, como los conflictos familiares, la falta de relaciones fuera de línea y una mayor necesidad de aprobación en el ciberespacio. En segundo lugar, los síntomas de abstinencia se proponen como patrones psicopatológicos en IA y SA, comparables a los trastornos por abuso de sustancias [5]. Cuando no tienen acceso a una PC o teléfono inteligente, las personas con IA o SA pueden sentirse ansiosas, y luego desean utilizar Internet o un teléfono inteligente para escapar de esos sentimientos negativos [38]. Otra posible explicación es que, a diferencia de otras sustancias adictivas, como el alcohol y la nicotina, los usuarios de Internet y de los teléfonos inteligentes pueden tener poca información sobre su uso excesivo en la vida diaria debido al acceso libre y flexible a los dispositivos [3], haciendo que experimenten su uso excesivo como una molestia en lugar de como un signo de comportamiento problemático [39]. Otro hallazgo interesante fue que las SA ejercieron efectos más fuertes sobre la depresión y la ansiedad que la IA. Esto nos lleva a especular que IA y SA tienen diferentes influencias en los problemas de salud mental. Podría haber varias explicaciones posibles para este hallazgo. En primer lugar, teniendo en cuenta las características de los medios, es más fácil para el uso excesivo del teléfono inteligente a través de la naturaleza del dispositivo crear hábito, debido a su mayor accesibilidad a la red inalámbrica y 24 h de notificaciones frecuentes [39]. Segundo, con respecto a los factores ambientales, este hallazgo puede reflejar el cambio radical actual del promedio de la vida diaria de las PC a los teléfonos inteligentes. Las personas pueden utilizar Internet de la PC para realizar trabajos complicados y realizar otras tareas diarias con teléfonos inteligentes, lo que lleva a una disminución de la productividad laboral y un mayor nivel de estrés [40]. Finalmente, las personas con SA pueden usar teléfonos inteligentes para mantener relaciones y un sentido de conexión con la red social en línea [41], lo que provoca el miedo a perderse y el miedo a perder la conexión, al tiempo que provoca un mayor uso del teléfono inteligente [42].
Este estudio tiene varias limitaciones para generalizar los hallazgos a toda la población, como la naturaleza transversal de los límites de datos y la interpretación de la inferencia causal entre Internet y la adicción a teléfonos inteligentes, la depresión y la ansiedad. La concordancia de la propensión también tiene limitaciones y requisitos. La principal limitación es que las puntuaciones de propensión solo pueden controlarse por los factores de confusión observados [43]. La posibilidad de confundidores no observados puede permanecer, limitando el hallazgo del estudio para la generalización. Además, debido a que todos los factores de confusión observados en este estudio se recopilaron como variables categóricas, puede haber pérdida de información cuando se construye el modelo de PSM. Por lo tanto, nuestros hallazgos deben ser interpretados con cautela. Sin embargo, para obtener los sólidos resultados de la comparación, consideramos dos métodos de comparación, la comparación genética y la combinación óptima. Especialmente, la comparación genética utiliza un algoritmo de búsqueda genética, por lo que su proceso puede encontrar una buena solución de coincidencia con menos pérdida de información [44]. Por último, la evaluación de los síntomas de depresión y ansiedad se realizó mediante la medición de los síntomas psicológicos de autoinforme utilizando SCL-90-R. Evaluar los problemas de salud mental con mayor precisión y consistencia. Una entrevista estructurada por el médico debe realizarse en estudios posteriores.

 

 

5. Conclusiones

En este estudio, investigamos cómo IA y SA influyen en los problemas de salud mental, la depresión y la ansiedad. Según nuestro conocimiento, este es el primer estudio en estimar la asociación entre IA, SA y la psicopatología mediante el método de puntuación de emparejamiento de la propensión a partir de datos de corte transversal, e investigar el efecto diferencial en la psicopatología entre IA y SA. En conclusión, nuestros hallazgos revelan que tanto IA como SA aumentan el riesgo de depresión y ansiedad. Además, la SA mostró una relación más fuerte con la depresión y la ansiedad en comparación con la IA.
Una implicación de estos hallazgos es que los individuos con un uso problemático de teléfonos inteligentes deben ser monitoreados de cerca para detectar problemas de salud mental, resaltando la necesidad de establecer políticas de prevención y manejo dirigidas al nivel pre-clínico de las SA. Otros estudios prospectivos deben investigar las direcciones causales de las relaciones entre IA, SA y problemas de salud mental y deben identificar los factores discriminativos de IA y SA.

 

 

Contribuciones de autor

D.-JK y DL concibieron y diseñaron los experimentos; HMJ analizó los datos; Y.-JK escribió el papel. YL supervisó la recolección de datos. Todos los autores contribuyeron al desarrollo del manuscrito, lo revisaron críticamente y aprobaron el manuscrito final.

 

 

AGRADECIMIENTOS

Este trabajo fue apoyado por una subvención de la Fundación Nacional de Investigación de Corea (Subvención No. 2014M3C7A1062894, 2014M3C7A1062896).

 

 

Conflictos de Interés

Los autores declaran no tener conflicto de intereses.

 

 

Referencias

  1. Choi, S.-W .; Kim, D.-J .; Choi, J.-S .; Ahn, H .; Choi, E.-J .; Canción, W.-Y .; Kim, S .; Youn, H. Comparación de factores de riesgo y protección asociados con la adicción a teléfonos inteligentes y la adicción a Internet. J. Behav. Adicto. 2015, 4, 308 – 314. ElGoogle Scholar] [CrossRef] [PubMed]
  2. 2016 la encuesta sobre la dependencia excesiva de Internet; Ministerio de Ciencia, TIC y Planificación Futura: Seúl, Corea, 2017.
  3. Lee, Y.-K .; Chang, C.-T .; Lin, Y .; Cheng, Z.-H. El lado oscuro del uso de teléfonos inteligentes: rasgos psicológicos, comportamiento compulsivo y tecnostress. Comput. Tararear. Behav. 2014, 31, 373 – 383. ElGoogle Scholar] [CrossRef]
  4. Lee, KE; Kim, S.-H .; Ha, T.-Y .; Yoo, Y.-M .; Han, J.-J .; Jung, J.-H .; Jang, J.-Y. Dependencia del uso de teléfonos inteligentes y su asociación con la ansiedad en Corea. Rep. De Salud Pública 2016, 131, 411 – 419. ElGoogle Scholar] [CrossRef] [PubMed]
  5. Kim, D .; Chung, Y .; Lee, J .; Kim, M .; Lee, Y .; Kang, E .; Keum, C .; Nam, J. Desarrollo de la escala de propensión a la adicción a los teléfonos inteligentes para adultos: autoinforme. Coreano J. Couns. 2012, 13, 629 – 644. ElGoogle Scholar]
  6. Kwon, M .; Lee, J.-Y .; Ganado, W.-Y .; Park, J.-W .; Min, J.-A .; Hahn, C .; Gu, X .; Choi, J.-H .; Kim, D.-J. Desarrollo y validación de una escala de adicción a teléfonos inteligentes (SAS). Más uno 2013, 8, e56936. ElGoogle Scholar] [CrossRef] [PubMed]
  7. Kuss, DJ; Griffiths, MD; Karila, L .; Billieux, J. Adicción a Internet: una revisión sistemática de la investigación epidemiológica de la última década. Curr. Farmacéutico Des. 2014, 20, 4026 – 4052. ElGoogle Scholar] [CrossRef] [PubMed]
  8. Andreassen, CS; Billieux, J .; Griffiths, MD; Kuss, DJ; Demetrovics, Z .; Mazzoni, E .; Pallesen, S. La relación entre el uso adictivo de las redes sociales y los videojuegos y los síntomas de trastornos psiquiátricos: un estudio transversal a gran escala. Psychol. Adicto. Behav. 2016, 30, 252. ElGoogle Scholar] [CrossRef] [PubMed]
  9. Aljomaa, SS; Qudah, MFA; Albursan, es; Bakhiet, SF; Abduljabbar, AS La adicción a los teléfonos inteligentes entre los estudiantes universitarios a la luz de algunas variables. Comput. Tararear. Behav. 2016, 61, 155 – 164. ElGoogle Scholar] [CrossRef]
  10. Anderson, EL; Steen, E .; Stavropoulos, V. Uso de Internet y Uso problemático de Internet: una revisión sistemática de las tendencias de investigación longitudinales en la adolescencia y la adultez emergente. En t. J. Adolesc. Juventud 2017, 22, 430 – 454. ElGoogle Scholar] [CrossRef]
  11. Haug, S .; Castro, RP; Kwon, M .; Relleno, A .; Kowatsch, T .; Schaub, MP Uso de teléfonos inteligentes y adicción a teléfonos inteligentes entre los jóvenes en Suiza. J. Behav. Adicto. 2015, 4, 299 – 307. ElGoogle Scholar] [CrossRef] [PubMed]
  12. Ko, C.-H .; Yen, J.-Y .; Yen, C.-F .; Chen, C.-S .; Chen, C.-C. La asociación entre la adicción a Internet y el trastorno psiquiátrico: una revisión de la literatura. EUR. Psiquiatría 2012, 27, 1 – 8. ElGoogle Scholar] [CrossRef] [PubMed]
  13. Demirci, K .; Akgönül, M .; Akpinar, A. Relación de la severidad del uso de teléfonos inteligentes con la calidad del sueño, la depresión y la ansiedad en estudiantes universitarios. J. Behav. Adicto. 2015, 4, 85 – 92. ElGoogle Scholar] [CrossRef] [PubMed]
  14. Marca, M .; Joven, KS; Laier, C .; Wölfling, K .; Potenza, MN Integración de consideraciones psicológicas y neurobiológicas con respecto al desarrollo y mantenimiento de trastornos específicos del uso de Internet: un modelo de interacción de persona-afecto-cognición-ejecución (I-PACE). Neurosci. Biobehav. Rdo. 2016, 71, 252 – 266. ElGoogle Scholar] [CrossRef] [PubMed]
  15. Kim, Y.-J .; Kim, D.-J .; Choi, J. La desregulación cognitiva de la adicción a Internet y sus correlatos neurobiológicos. Frente. Biosci (élite ed.) 2017, 9, 307 – 320. ElGoogle Scholar]
  16. Lachmann, B .; Duque, é .; Sariyska, R .; Montag, C. ¿Quién es adicto al teléfono inteligente y / o Internet? Psychol. Popular. Media Cult. 2017. [Google Scholar] [CrossRef]
  17. Lachmann, B .; Sindermann, C .; Sariyska, RY; Luo, R .; Melchers, MC; Becker, B .; Cooper, AJ; Montag, C. El papel de la empatía y la satisfacción con la vida en Internet y el trastorno por uso de teléfonos inteligentes. Frente. Psychol. 2018, 9, 398. ElGoogle Scholar] [CrossRef] [PubMed]
  18. Banjanin, N .; Banjanin, N .; Dimitrijevic, I .; Pantic, I. Relación entre el uso de Internet y la depresión: enfoque en las oscilaciones fisiológicas del estado de ánimo, redes sociales y comportamiento adictivo en línea. Comput. Tararear. Behav. 2015, 43, 308 – 312. ElGoogle Scholar] [CrossRef]
  19. Akin, A .; Iskender, M. Adicción a internet y depresión, ansiedad y estrés. En t. Online J. Educ. Sci. 2011, 3, 138 – 148. ElGoogle Scholar]
  20. Ostovar, S .; Allahyar, N .; Aminpoor, H .; Moafian, F .; Tampoco, MBM; Griffiths, MD La adicción a Internet y sus riesgos psicosociales (depresión, ansiedad, estrés y soledad) entre los adolescentes y adultos jóvenes iraníes: un modelo de ecuación estructural en un estudio transversal. En t. J. Ment. Adicto a la salud. 2016, 14, 257 – 267. ElGoogle Scholar] [CrossRef]
  21. Cheung, LM; Wong, WS Los efectos del insomnio y la adicción a internet en la depresión en adolescentes chinos de Hong Kong: un análisis transversal exploratorio. J. Sleep Res. 2011, 20, 311 – 317. ElGoogle Scholar] [CrossRef] [PubMed]
  22. Cepeda, MS; Boston, R .; Farrar, JT; Strom, BL Comparación de regresión logística con puntaje de propensión cuando el número de eventos es bajo y existen múltiples factores de confusión. A.m. J. Epidemiol. 2003, 158, 280 – 287. ElGoogle Scholar] [CrossRef] [PubMed]
  23. Austin, PC Una evaluación crítica de la coincidencia de puntaje de propensión en la literatura médica entre 1996 y 2003. Stat. Medicina. 2008, 27, 2037 – 2049. ElGoogle Scholar] [CrossRef] [PubMed]
  24. Austin, PC; Grootendorst, P .; Anderson, GM Una comparación de la capacidad de los diferentes modelos de puntuación de propensión para equilibrar las variables medidas entre los sujetos tratados y no tratados: un estudio de Monte Carlo. Stat. Medicina. 2007, 26, 734 – 753. ElGoogle Scholar] [CrossRef] [PubMed]
  25. Müller, KW; Glaesmer, H .; Brähler, E .; Woelfling, K .; Beutel, ME Prevalencia de la adicción a internet en la población general: resultados de una encuesta de población alemana. Behav. Inf. Tecnol. 2014, 33, 757 – 766. ElGoogle Scholar] [CrossRef]
  26. Rho, MJ; Lee, H .; Lee, T.-H .; Cho, H .; Jung, D .; Kim, D.-J .; Choi, IY Factores de riesgo para el trastorno de los juegos de Internet: factores psicológicos y características de los juegos de Internet. En t. J. Environ. Res. Salud pública 2018, 15, 40. ElGoogle Scholar] [CrossRef] [PubMed]
  27. Agencia Nacional de Servicios de Información. Un estudio de la escala de adicción a la adicción a Internet para adultos; Agencia Nacional de Servicio de Información: Seúl, Corea, 2005. ElGoogle Scholar]
  28. Kim, D. El estudio de seguimiento de la escala de adicción a la adicción a Internet; Agencia de Corea para la oportunidad y promoción digital: Seúl, Corea, 2008; Disponible en linea: http://www.nia.or.kr/site/nia_kor/ex/bbs/View.do?cbIdx=39485&bcIdx=277&parentSeq=277 (acceso en 8 mayo 2008).
  29. Kim, D.-I .; Chung, Y.-J .; Lee, E.-A .; Kim, D.-M .; Cho, Y.-M. Desarrollo de la adicción a internet forma de escala corta-corta (escala KS). Coreano J. Couns. 2008, 9, 1703 – 1722. ElGoogle Scholar]
  30. Agencia Nacional de Servicios de Información. Desarrollo de la Escala de Pronés de Adicción al Smartphone en Corea para Jóvenes y Adultos; Agencia Nacional de Servicio de Información: Seúl, Corea, 2011; pp. 85 – 86. ElGoogle Scholar]
  31. Kim, KI .; Kim, JW. El estudio de estandarización de la lista de comprobación de síntomas-90-R en Corea III. Ment Salud Res. 1984, 2, 278 – 311. ElGoogle Scholar]
  32. Heckman, J .; Smith, J. Evaluación del caso de los experimentos sociales. J. Econ. Perspectiva. 1995, 9, 85 – 110. ElGoogle Scholar] [CrossRef]
  33. Caliendo, M .; Kopeinig, S. Algunas orientaciones prácticas para la implementación de la coincidencia de puntaje de propensión. J. Econ. Surv. 2008, 22, 31 – 72. ElGoogle Scholar] [CrossRef]
  34. Sekhon, JS; Diamond, A. Comparación genética para la estimación de efectos causales, manuscrito no publicado. Presentado en la Reunión Anual de Metodología Política, Tallahassee, FL, EE. UU., Julio 2005. ElGoogle Scholar]
  35. Ghassemzadeh, L .; Shahraray, M .; Moradi, A. Prevalencia de adicción a Internet y comparación de adictos a Internet y no adictos en las escuelas secundarias iraníes. Cyberpsychol. Behav. 2008, 11, 731 – 733. ElGoogle Scholar] [CrossRef] [PubMed]
  36. Yen, J.-Y .; Ko, C.-H .; Yen, C.-F .; Wu, H.-Y .; Yang, M.-J. Los síntomas psiquiátricos comórbidos de la adicción a Internet: déficit de atención e hiperactividad (TDAH), depresión, fobia social y hostilidad. J. Adolesc. Salud 2007, 41, 93 – 98. ElGoogle Scholar] [CrossRef] [PubMed]
  37. Tonioni, F .; Mazza, M .; Autullo, G .; Cappelluti, R .; Catalano, V .; Marano, G .; Fiumana, V .; Moschetti, C .; Alimonti, F .; Luciani, M. ¿Es la adicción a Internet una condición psicopatológica distinta del juego patológico? J. Addict. Behav. 2014, 39, 1052 – 1056. ElGoogle Scholar] [CrossRef] [PubMed]
  38. Kuss, DJ; Griffiths, MD Redes sociales en línea y adicción: una revisión de la literatura psicológica. En t. J. Environ. Res. Salud pública 2011, 8, 3528 – 3552. ElGoogle Scholar] [CrossRef] [PubMed]
  39. Oulasvirta, A .; Rattenbury, T .; Ma, L .; Raita, E. Los hábitos hacen que el uso del teléfono inteligente sea más generalizado. Pers. Comput ubicua. 2012, 16, 105 – 114. ElGoogle Scholar] [CrossRef]
  40. Duque, é .; Montag, C. Adicción a los teléfonos inteligentes, interrupciones diarias y productividad auto-reportada. Adicto. Behav. Reps. 2017, 6, 90 – 95. ElGoogle Scholar] [CrossRef] [PubMed]
  41. Kuss, DJ; Griffiths, MD Sitios de redes sociales y adicción: Diez lecciones aprendidas. En t. J. Environ. Res. Salud pública 2017, 14, 311. ElGoogle Scholar] [CrossRef] [PubMed]
  42. Oberst, U .; Wegmann, E .; Stodt, B .; Marca, M .; Chamarro, A. Consecuencias negativas de las grandes redes sociales en adolescentes: el papel mediador del miedo a perderse. J. Adolesc. 2017, 55, 51 – 60. ElGoogle Scholar] [CrossRef] [PubMed]
  43. Joffe, MM; Rosenbaum, PR Comentario invitado: Puntuaciones de propensión. A.m. J. Epidemiol. 1999, 150, 327 – 333. ElGoogle Scholar] [CrossRef] [PubMed]
  44. Diamante, A .; Sekon, J. Comparación genética para estimar los efectos causales: un nuevo método para lograr el equilibrio en los estudios observacionales. Rev. Econ. Stat. 2013, 95, 932 – 945. ElGoogle Scholar] [CrossRef]