Effets de la dépendance à Internet et aux smartphones sur la dépression et l'anxiété d'après l'analyse d'appariement du score de propension (2018)

Int J Environ Res Santé publique. 2018 Apr 25; 15 (5). pii: E859. doi: 10.3390 / ijerph15050859.

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

Abstract

Les associations de dépendance à Internet (IA) et de dépendance à un smartphone (SA) avec des problèmes de santé mentale ont été largement étudiées. Nous avons étudié les effets de l'IA et de l'AS sur la dépression et l'anxiété en tenant compte des variables sociodémographiques. Dans cette étude, les participants à 4854 ont participé à une enquête Web transversale comprenant des éléments sociodémographiques, l’échelle coréenne de la dépendance à Internet, l’échelle de prédiction de la dépendance sur smartphone et les sous-échelles de la liste de contrôle des symptômes 90 Items-Revised. Les participants ont été classés dans les groupes IA, SA et à usage normal (NU). Pour réduire les biais d'échantillonnage, nous avons appliqué la méthode d'appariement du score de propension basée sur l'appariement génétique. Le groupe IA a présenté un risque accru de dépression (risque relatif 1.207; p <0.001) et l'anxiété (risque relatif 1.264; p <0.001) par rapport aux NU. Le groupe SA a également montré un risque accru de dépression (risque relatif 1.337; p <0.001) et l'anxiété (risque relatif 1.402; p <0.001) par rapport aux NC. Ces résultats montrent que les deux, IA et SA, ont exercé des effets significatifs sur la dépression et l'anxiété. De plus, nos résultats ont montré que l'AS a une relation plus forte avec la dépression et l'anxiété, plus forte que l'AI, et ont souligné la nécessité d'une politique de prévention et de gestion de l'utilisation excessive des smartphones.

MOTS-CLÉS:  Addiction à Internet; anxiété; dépression; score de propension; dépendance au smartphone

PMID: 29693641

DOI: 10.3390 / ijerph15050859

 

1. Introduction

Avec l'utilisation croissante et la commodité d'Internet et des smartphones dans la vie quotidienne, les recherches accumulées ont montré les effets négatifs de l'utilisation excessive d'Internet et des smartphones dans le domaine de la santé mentale [1].
Le taux d’utilisation des smartphones dans la population sud-coréenne est d’environ 85%, le plus élevé au monde [2]. Cependant, l'utilisation excessive de téléphones intelligents est fortement associée à un certain nombre de problèmes de santé mentale, notamment le stress et un risque accru d'anxiété anormale [3,4]. La dépendance au smartphone (SA) est apparue comme une nouvelle forme de dépendance avec la dépendance à Internet (IA), et les caractéristiques cliniques de la SA ont attiré l'attention au cours des dernières années [5]. Par exemple, il existe certaines différences concernant la nature des appareils, telles que la portabilité, l’accès Internet en temps réel et les fonctions de communication directe des smartphones [6]. Des similitudes et des différences entre IA et SA ont été rapportées en ce qui concerne les variables démographiques et les aspects motivationnels de l'utilisation des médias [1,6].
Du point de vue de l'environnement, le manque d'activités alternatives est associé à l'analyse d'impact [7]. En outre, le fait d'être célibataire serait fortement associé à un réseau social et à des jeux en ligne [8]. En ce qui concerne le niveau de scolarité et les dimensions du revenu mensuel, une étude récente portant sur des personnes en Afrique subsaharienne a révélé des différences significatives dans la dimension de la santé en faveur de celles ayant un revenu et un degré de formation inférieurs [9]. Conformément à cette constatation, une revue systématique a révélé une corrélation significative entre le rendement scolaire et la gravité de l'EI [10]. En ce qui concerne l’âge, une étude récente a montré que l’utilisation problématique d’Internet est particulièrement pertinente pour les adolescents et les adultes émergents (19 âgés de plus de 14 ans) [10], alors que la dépendance au smartphone est plus fréquente chez les adolescents plus jeunes que chez les adultes émergents (années 19 et plus âgées) [11]. Une étude récente a montré que les temps d'utilisation quotidienne et les scores de dépendance des smartphones étaient généralement plus élevés chez les femmes que chez les hommes [4]. Choi et al. (2015) ont indiqué que le sexe masculin était un facteur de risque pertinent pour l'IA et le sexe féminin pour l'AS [1]. En ce qui concerne le but de l'utilisation, les réseaux sociaux se sont révélés être plus fortement liés à une forte dépendance au smartphone, par rapport à d'autres fonctions liées au téléphone mobile [11]. Chez les personnes atteintes d'IA, Anderson et al. (2016) ont signalé que le sexe masculin était associé de manière significative au jeu en ligne sur PC [10].
En ce qui concerne les aspects psychologiques, les associations positives de l'IA et de l'AS avec la dépression et l'anxiété ont été largement rapportées [12,13]. Des études récentes ont suggéré que le profil cognitivo-émotionnel et comportemental individuel de l'utilisateur pouvait découler d'une dépendance à Internet et aux smartphones plutôt que par le média lui-même [14,15,16]. Une étude récente a mis en évidence le rôle de l’empathie et de la satisfaction de la vie dans les IA et les AS [17]. En ce qui concerne la psychopathologie, plusieurs études ont signalé une corrélation positive entre IA, dépression et anxiété [18,19,20], alors qu’une étude récente a montré une relation entre l’utilisation du smartphone et la gravité, la dépression et l’anxiété [13]. Par conséquent, l'interdépendance entre l'IA, l'AS et les problèmes de santé mentale doit être définie avec précision. De plus, compte tenu à la fois du chevauchement et des différences entre IA et SA [16], la question qui se pose est donc de savoir dans quelle mesure les analyses d'impact et d'AS sont liées à l'augmentation du niveau de dépression et d'anxiété après ajustement des facteurs de confusion démographiques et socio-économiques.
On ne sait toujours pas si les problèmes de santé mentale sont les causes ou les conséquences de la dépendance excessive à Internet et aux smartphones. Des études transversales ont eu recours à plusieurs analyses de régression pour étudier les relations entre les problèmes de santé mentale, l'AI et l'AS chez l'homme [21]. Cependant, dans les études observationnelles, qui manquent de randomisation, l’analyse de régression multiple présente des limites, telles que la possibilité de surestimation et une erreur type faible lorsque de nombreuses covariables sont présentes, en plus du biais de sélection [22]. Ainsi, estimer le déséquilibre des facteurs démographiques et socioéconomiques associés à l'AI et à l'AS biaiserait l'estimation des effets de la dépendance par le simple examen d'un résultat particulier, tel que la dépression et l'anxiété. De plus, aucune étude n'a encore étudié les effets différentiels selon les caractéristiques des utilisateurs d'Internet et des smartphones, y compris les contextes environnementaux et les profils psychologiques des utilisateurs, de l'IA et du SA sur la dépression et l'anxiété. L'appariement par score de propension (PSM) est devenu une approche populaire pour réduire le biais de sélection dans les études d'observation [23,24]. Dans cet article, nous avons appliqué l'analyse PSM pour étudier les effets de l'IA et de l'AS sur la dépression et l'anxiété, afin de réduire le biais de sélection dans nos données. Nous avons choisi le sexe, l'âge, le niveau d'instruction, l'état matrimonial et le revenu comme variable de confusion, en considérant l'association de ces variables sociodémographiques avec IA et SA dans notre étude [9,25].
L’objectif principal de cette étude est d’examiner les interrelations entre l’IA, l’AS et l’état de l’humeur, c’est-à-dire la dépression et l’anxiété, à l’aide d’une analyse d’appariement du score de propension. Deuxièmement, nous cherchons à découvrir en quoi les effets de la dépression et de l’anxiété diffèrent entre IA et SA.

 

 

2. Matériaux et méthodes

 

 

2.1. Participants à l'étude

Les données comprenaient les réponses au sondage en ligne d'auto-diagnostic anonyme d'adultes coréens adultes 5003 (âgées de 19 à 49), menées par l'Université catholique de Corée à Séoul; et l'hôpital St. Mary en décembre 2014 [26]. L'étude a été menée conformément à la déclaration d'Helsinki. Les comités d'examen institutionnel de l'Université catholique de Corée, Séoul; et l'hôpital St. Mary's a approuvé cette étude. Tous les participants ont été informés de l'étude et ont donné leur consentement écrit. Les participants à l'enquête ont été recrutés par un panel d'une société de recherche et les questionnaires d'auto-évaluation ont été administrés via Internet sans aucune compensation. Seuls les répondants 149, qui n'utilisaient pas de smartphone, ont été exclus. Enfin, nous avons analysé les données des participants à 4854. Dans l'échantillon final, les âges ont été classés en trois catégories: inférieur à 30 (33.19%), 30 – 39 (43.94%) et 40 – 49 (22.87%). Il y avait des hommes 2573 (53.01%) et des femmes 2281 (46.99%). Les variables démographiques supplémentaires des participants considérés étaient l’éducation, l’état matrimonial et le revenu.

 

 

2.2. Les mesures

 

 

2.2.1. Mesure de la dépendance à Internet

L'échelle coréenne des addictions à Internet (échelle K) a été mise au point en Corée pour évaluer l'analyse d'impact et a été validée auprès de la population coréenne avec une fiabilité élevée de la cohérence interne [27]. Le coefficient alpha de Cronbach pour l’échelle K était 0.91 [28]. Il comporte sept sous-échelles et éléments 40, mesurant les perturbations de la vie quotidienne, les tests de réalité, les pensées addictives automatiques, les relations interpersonnelles virtuelles, les comportements déviants, le repli sur soi et la tolérance. Cette échelle de type Likert a été définie de 1 (pas du tout) à 4 (toujours). Selon le précédent rapport utilisant cette échelle, les participants ont été répartis en trois groupes: normal, risque potentiel et risque élevé [29]. Le groupe à haut risque a été défini comme ayant un score standardisé de 70 ou supérieur, de perturbations de la vie quotidienne, de pensées addictives automatiques, de facteurs de tolérance ou au moins de 70 au total. Le groupe de risque potentiel a été défini comme un score de 62 ou plus élevé dans les perturbations de la vie quotidienne, les pensées addictives automatiques, les facteurs de tolérance ou au moins le total de 63. Le groupe d'utilisation normale contenait ces scores en dessous de ces chiffres. Dans cette étude, les groupes d'AI étaient composés des groupes à risque potentiel et à risque élevé.

 

 

2.2.2. Mesure de la dépendance au smartphone

L’échelle de prédiction de dépendance sur smartphone (K-SAS) a été validée et largement utilisée pour le dépistage de la SA [30]. Il se compose d'éléments 15 classés sur une échelle de détresse de type Likert en quatre points de 1 (pas du tout) à 4 (toujours). Les questions ont porté sur trois facteurs: perturbation de la vie quotidienne, pensées addictives automatiques et tolérance. Le coefficient alpha de Cronbach pour le K-SAS était 0.880 [5].
Sur la base d’un rapport précédent utilisant cette échelle, nous avons utilisé les scores pour classer les participants en trois groupes: normal, risque potentiel et risque élevé [30]. Le groupe à haut risque a été défini comme ayant un score total de 44 ou plus, ou ayant un sous-score de 15 ou plus dans la perturbation de la vie quotidienne ainsi que des sous-scores de 13 ou plus, en termes de pensées addictives automatiques et de tolérance. Le groupe de risque potentiel a été défini comme ayant 41 ou plus dans le score total, ou 15 ou plus dans le facteur de perturbation de la vie quotidienne. Le groupe d’utilisation normale contenait les scores inférieurs à ces chiffres [30]. Dans cette étude, le groupe accro aux smartphones était constitué de groupes à risque élevé et potentiel.

 

 

2.2.3. Mesure des problèmes de santé mentale: dépression et anxiété

Le SCL-90-R est un questionnaire multidimensionnel développé pour cerner toute une gamme de caractéristiques psychologiques et psychopathologiques des sous-échelles 9: somatisation, sensibilité obsessionnelle-compulsive, interpersonnelle, dépression, anxiété, hostilité, phobie, et psychoticisme [31]. Le SCL-90 contient des éléments 90 classés dans une échelle de détresse par points 5 de 0 (aucun) à 4 (extrême). La fiabilité test-retest du SCL-90-R en coréen était 0.76 pour la dépression et 0.77 pour l'anxiété. La consistance interne était 0.89 pour la dépression et 0.86 pour l’anxiété [31]. La dépression et l’anxiété seraient les symptômes psychiatriques les plus fortement associés à l’IA et au SA [12,13]. Les dimensions d’intérêt spécifiques à examiner dans cette étude comprenaient les sous-échelles SCL-90-R pour la dépression et l’anxiété.

 

 

2.3. L'analyse des données

 

 

2.3.1. Définition statistique

Laisser nous Zi

 

être un indicateur de dépendance binaire pour le sujet; C'est, Zi=1 si le sujet est toxicomane (IA ou SA), et Zi=0 autrement. Le résultat potentiel d’un problème mental (dépression ou anxiété) est défini comme suit: Yi(Zi. Notez que seul un des résultats potentiels est observé en même temps pour chaque sujet. Le calcul direct du Yi(1)-Yi est impossible. Au lieu de l'effet individuel, le paramètre d'intérêt principal est l'effet de dépendance attendu sur la population dépendante.

τ=E(Yi(1)-Yi(0)|
 
Cependant, l'estimation de τ

a toujours un problème parce que E(Yi(0)|Zi ne peut pas être directement estimé. Bien sûr, dans des expériences randomisées, E(Yi(0)|Zi est satisfait, donc τ peut facilement être estimé. Cependant, dans une étude d’observation, l’estimation naïve de τ peut être biaisé parce que E(Yi(0)|Zi. Pour ajuster ce biais de sélection, nous supposons que nous pouvons observer les covariables Xi qui ne sont pas affectés par une dépendance, et pour une covariable donnée Xi, les résultats potentiels Yi(1), Yi sont conditionnellement indépendants de l'indicateur de dépendance Zi. De plus, si les résultats potentiels sont indépendants de la dépendance dépendante des covariables Xi, ils sont également indépendants de la dépendance conditionnelle dans le score de propension P(Xi)= P(Zi=1|Xi[19]. L'estimateur PSM pour τ devient

τPSM=EP(X)|Z=1

 

 

 

 

 

2.3.2. Estimation du score de propension

Les scores de propension sont calculés en utilisant la régression logistique, un modèle utilisé pour prédire la probabilité qu'une dépendance se produise 

enregistrerP(Zi=1|Xi)

 

 

 
Dans cet article, les covariables de Xi

 

 

, nous considérons cinq covariables catégoriques: sexe (1 = masculin et 2 = féminin), âge (1 = 20 – 29, 2 = 30 – 39 = 3 = 40 – 49), éducation (1 = moyen-collège, 2 = moyen) scolaire et 3 = université ou plus), état matrimonial (1 = célibataire, 2 = cohabitation, 3 = marié, 4 = divorcé et 5 = endeuillé) et revenu (1 = faible, 2 = moyen-bas, 3 = moyen, 4 = moyen-haut et 5 = haut). Dans Section 1, ces covariables peuvent influencer simultanément les résultats (dépression ou anxiété) et les dépendances. Ainsi, pour chaque sujet, nous avons estimé les scores de propension; c'est-à-dire la probabilité conditionnelle d'être dépendant compte tenu des covariables observées [32].

 

 

2.3.3. Méthodes d'appariement basées sur le score de propension estimé

Une fois les scores de propension estimés, la correspondance peut être utilisée pour estimer l'effet du traitement après ajustement aux différences entre les deux groupes [33]. Le but de l'appariement est de produire un échantillon apparié qui équilibre la distribution du patient de l'étude et qui correspond aux covariables des groupes de contrôle observés. Cette méthode d'ajustement nous permet de contrôler les variables de confusion. Dans cette étude, nous avons adopté deux méthodes d'appariement largement utilisées, l'appariement optimal et génétique [34].

 

 

2.3.4. Estimation des risques relatifs de dépendance sur les problèmes de santé mentale après l'appariement du score de propension

Après l'appariement du score de propension à l'aide des covariables observées (âge, sexe, mariage, revenu et éducation), nous disposons d'un ensemble de données plus équilibré. Pour modéliser le problème de santé mentale (dépression ou anxiété), nous avons appliqué des modèles linéaires généralisés (GLM) à l'échantillon apparié. Les scores de santé mentale étant positifs et biaisés, la distribution gamma avec log link est ajustée. Laisser Yi

 

être un résultat d’intérêt (un score de dépression ou d’anxiété) avec une μi, nous pouvons utiliser le cadre Gamma GLM avec des covariables Xi:

 

enregistrerμi=γT
 
 
Grâce à la modélisation, nous avons estimé eγ

 

 

comme les risques relatifs (en tant que différence moyenne attendue entre les groupes) de IA et SA pour chaque covariable.

 

 

3. Résultats

En plus des participants 4854, 126 (2.60%) a été inclus dans le groupe IA et 652 (13.43%) a été inclus dans le groupe SA. Tableau 1 montre les statistiques descriptives des scores de dépression et d'anxiété. Les scores moyens de dépression et d'anxiété des groupes IA et SA sont supérieurs à ceux du groupe à usage normal (NU).
Tableau 1. Statistiques descriptives des scores de dépression et d'anxiété.
lampe de table

 

 

3.1. Qualité de la méthode de correspondance du score de propension

Bien que nous ne conditionnions que quelques-unes des covariables dans les questionnaires de cette étude, nous avons constaté, via le score de propension, que la procédure d'appariement était suffisante pour équilibrer la distribution de chaque covariable, Tableau 2 et Tableau 3. Nous avons évalué les distances dans les distributions marginales de Xi

 

 

 

. Pour chaque covariable, nous avons calculé le biais; c'est-à-dire la différence entre les moyennes d'échantillons des échantillons toxicomanes et normaux. Avant d'appliquer la correspondance du score de propension, les biais n'étaient pas ignorés. Toutefois, après l’appariement du score de propension, les sous-échantillons de dépendance et de sous-échantillon normal présentaient une distribution marginale très similaire pour toutes les covariables.
Tableau 2. Comparaison du pourcentage moyen des caractéristiques de base entre l'IA et les groupes d'utilisation normale, dans l'échantillon initial et dans l'échantillon apparié par score de propension, en utilisant l'appariement génétique et optimal.
lampe de table
Tableau 3. Comparaison du pourcentage moyen de caractéristiques de base entre les groupes SA et normaux, dans l'échantillon initial et dans l'échantillon apparié par score de propension, en utilisant l'appariement génétique et optimal.
lampe de table

 

 

3.2. Effets de la dépendance à Internet sur la dépression et l'anxiété

Les effets de l’IA sur la dépression et l’anxiété obtenus par l’appariement de scores de propension sont rapportés dans Tableau 4. Grâce à l'appariement génétique, 3846 échantillons ont été sélectionnés. L'AI était liée à un risque plus élevé de dépression (risque relatif 1.207, intervalle de confiance à 95% 1.128-1.292 et p <0.001) et d'anxiété (risque relatif 1.264, intervalle de confiance à 95% 1.173-1.362 et p <0.001). Tous ces risques relatifs sont significatifs car l'intervalle de confiance ne contient pas le 1. Grâce à l'appariement optimal, 252 échantillons ont été sélectionnés. L'AI était liée à une plus grande dépression (risque relatif 1.243, intervalle de confiance à 95% 1.145-1.348 et p <0.001) et à l'anxiété (risque relatif 1.308, intervalle de confiance à 95% 1.192-1.435 et p <0.001). À l'instar de l'appariement génétique, les rapports de risque relatifs sur les deux, la dépression et l'anxiété, sont nettement supérieurs à 1.
Tableau 4. Effets de la dépendance à Internet et aux smartphones sur la dépression et l'anxiété, basés sur l'appariement des scores de propension.
lampe de table

 

 

3.3. Effets de la dépendance au smartphone sur la dépression et l'anxiété

Les effets de l'AS sur la dépression et l'anxiété à l'aide de l'appariement du score de propension sont rapportés dans Tableau 4. Grâce à l'appariement génétique, 4516 échantillons ont été sélectionnés. L'AS était lié à un risque plus élevé de dépression (risque relatif 1.337, intervalle de confiance à 95% 1.296-1.378 et p <0.001) et d'anxiété (risque relatif 1.402, intervalle de confiance à 95% 1.355-1.450 et p <0.001). Grâce à un appariement optimal, 1304 échantillons ont été sélectionnés. L'AS était lié à un risque plus élevé de dépression (risque relatif 1.386, intervalle de confiance à 95% 1.334-1.440 et p <0.001) et d'anxiété (risque relatif 1.440, intervalle de confiance à 95% 1.380-1.503 et p <0.001). Tous ces ratios de risque relatifs sont significatifs.

 

 

3.4. Différences dans les effets de la dépendance à Internet et aux smartphones sur la dépression et l'anxiété

Les ratios de risque relatif pour la dépression et l'anxiété, provenant à la fois de l'appariement génétique et optimal, étaient 10% plus élevés pour l'AS que pour l'IA. Cela signifie que l'AS a un risque plus élevé de dépression et d'anxiété que l'IA. Ces intervalles de confiance ne contenant pas le 1, nous pouvons donc dire que SA est X% plus susceptible de provoquer un trouble mental.

 

 

4. Discussion

Nos résultats sont que IA et SA exercent tous deux des effets importants sur la dépression et l'anxiété, même après avoir contrôlé les facteurs de confusion à l'aide de l'appariement du score de propension. Des études épidémiologiques ont estimé une prévalence plus élevée de la dépression dans l’IA [35,36]. Un certain nombre d'études transversales ont montré que les personnes atteintes d'IA ou d'AS présentaient des niveaux de dépression et d'anxiété plus élevés que les utilisateurs normaux [13,37]. Dans la présente étude, nos résultats montrent les rôles de l'IA et de l'AS dans le développement de la dépression et de l'anxiété. Certaines explications sont possibles pour les résultats actuels. Premièrement, le fait de créer une dépendance à Internet et aux smartphones peut aggraver les problèmes interpersonnels liés à la dépression et à l’anxiété, tels que les conflits familiaux, le manque de relations hors ligne et le besoin accru d’approbation dans le cyberespace. Deuxièmement, les symptômes de sevrage sont proposés en tant que schémas psychopathologiques dans les IA et les AS, comparables aux troubles liés à la toxicomanie [5]. Lorsqu'ils n'ont pas accès à un PC ou à un smartphone, les personnes atteintes d'une IA ou d'un SA peuvent devenir anxieuses et désirer ensuite utiliser Internet ou un smartphone pour échapper à de tels sentiments négatifs [38]. Une autre explication possible est que, contrairement à d’autres substances addictives, telles que l’alcool et la nicotine, les surutilisateurs d’Internet et des smartphones n’ont peut-être aucune idée de leur utilisation excessive dans la vie quotidienne en raison de l’accès gratuit et flexible aux appareils [3], leur faisant ressentir leur usage excessif comme une gêne plutôt que comme un signe de comportement problématique [39]. Une autre conclusion intéressante est que l'AS exerce des effets plus importants sur la dépression et l'anxiété que l'AI. Cela nous amène à spéculer sur le fait que l’IA et l’AS ont des influences différentes sur les problèmes de santé mentale. Il pourrait y avoir plusieurs explications possibles à cette constatation. Premièrement, compte tenu des caractéristiques du support, il est plus facile pour l’utilisation excessive du smartphone de se développer en raison de la nature habituelle de l’appareil, en raison de son accessibilité accrue au réseau sans fil et de la fréquence de notifications 24 h fréquentes [39]. Deuxièmement, en ce qui concerne les facteurs environnementaux, cette constatation peut refléter le changement radical actuel de la moyenne de la vie quotidienne des PC aux smartphones. Les gens peuvent utiliser l’Internet sur PC pour des travaux compliqués et effectuer les autres tâches quotidiennes avec des smartphones, ce qui entraîne une diminution de la productivité du travail et un niveau de stress supérieur [40]. Enfin, les personnes ayant un SA peuvent utiliser des smartphones pour entretenir des relations et un sentiment de connexion avec le réseau social en ligne [41], ce qui entraîne la peur de rater une occasion et la perte de connexion tout en déclenchant une plus grande utilisation du smartphone [42].
Cette étude présente plusieurs limites pour généraliser les résultats à l'ensemble de la population, tels que la nature transversale des limites de données et l'interprétation de l'inférence causale entre la dépendance à Internet et sur smartphone, la dépression et l'anxiété. La correspondance de propension a également des limites et des exigences. La principale limitation est que les scores de propension ne peuvent être contrôlés que par les facteurs de confusion observés [43]. La possibilité de facteurs de confusion non observés peut rester, limitant le résultat de l’étude aux fins de généralisation. De plus, étant donné que tous les facteurs de confusion observés dans cette étude ont été collectés en tant que variables catégoriques, il peut y avoir une perte d'informations lors de la construction du modèle PSM. Par conséquent, nos résultats doivent être interprétés avec prudence. Cependant, pour obtenir les résultats robustes de l'appariement, nous avons considéré deux méthodes d'appariement, l'appariement génétique et l'appariement optimal. En particulier, la correspondance génétique utilise un algorithme de recherche génétique afin que son processus puisse trouver une bonne solution de correspondance avec moins de perte d'informations [44]. Enfin, l'évaluation des symptômes de dépression et d'anxiété a été réalisée à l'aide d'une mesure de symptômes psychologiques autodéclarée à l'aide de SCL-90-R. Évaluer les problèmes de santé mentale de manière plus précise et cohérente. Un entretien structuré par un clinicien doit être mené dans le cadre d’études ultérieures.

 

 

5. Conclusions

Dans cette étude, nous avons étudié l'influence de l'IA et de l'AS sur les problèmes de santé mentale, la dépression et l'anxiété. À notre connaissance, il s'agit de la première étude à estimer l'association entre IA, SA et psychopathologie à l'aide de la méthode du score de propension à partir de données transversales, et à étudier l'effet différentiel dans la psychopathologie entre IA et SA. En conclusion, nos résultats révèlent que l’IA et l’AS augmentent tous les deux le risque de dépression et d’anxiété. De plus, l'AS montre une relation plus forte avec la dépression et l'anxiété par rapport à l'IA.
Une conséquence de ces résultats est que les personnes ayant une utilisation problématique du smartphone devraient faire l'objet d'une surveillance étroite en ce qui concerne les problèmes de santé mentale, soulignant la nécessité d'établir des politiques de prévention et de gestion ciblant le niveau préclinique de l'AS. D'autres études prospectives devraient étudier les liens de causalité entre les problèmes de santé mentale, les problèmes de santé mentale et les problèmes de santé mentale, et devraient identifier les facteurs discriminants de ces effets.

 

 

Contributions d'auteur

D.-JK et DL ont conçu et conçu les expériences; HMJ a analysé les données; Y.-JK a écrit le journal. YL a supervisé la collecte de données. Tous les auteurs ont contribué à l'élaboration du manuscrit, l'ont révisé de manière critique et ont approuvé le manuscrit final.

 

 

Remerciements

Ce travail a été financé par une subvention de la Fondation nationale de recherche de Corée (numéro de subvention 2014M3C7A1062894, 2014M3C7A1062896).

 

 

Les conflits d'intérêts

Les auteurs ne déclarent aucun conflit d'intérêt.

 

 

Bibliographie

  1. Choi, S.-W .; Kim, D.-J .; Choi, J.-S .; Ahn, H .; Choi, E.-J .; Song, W.-Y .; Kim, S .; Youn, H. Comparaison des facteurs de risque et de protection associés à la dépendance au smartphone et à la dépendance à Internet. J. Behav. Toxicomane. 2015, 4, 308 – 314. [Google Scholar] [CrossRef] [PubMed]
  2. 2016 l'Enquête sur la dépendance excessive d'Internet; Ministère des sciences, des TIC et de la planification future: Séoul, Corée, 2017.
  3. Lee, Y.-K .; Chang, C.-T .; Lin, Y .; Cheng, Z.-H. Le côté obscur de l’utilisation du smartphone: traits psychologiques, comportement compulsif et stress technologique. Comput. Fredonner. Comportement 2014, 31, 373 – 383. [Google Scholar] [CrossRef]
  4. Lee, KE; Kim, S.-H .; Ha, T.-Y .; Yoo, Y.-M .; Han, J.-J .; Jung, J.-H .; Jang, J.-Y. Dépendance à l'utilisation d'un smartphone et association à l'anxiété en Corée. Représentant de la santé publique 2016, 131, 411 – 419. [Google Scholar] [CrossRef] [PubMed]
  5. Kim, D .; Chung, Y .; Lee, J .; Kim, M .; Lee, Y .; Kang, E .; Keum, C .; Nam, J. Élaboration d'une échelle de prédiction de la dépendance au smartphone pour adultes: auto-évaluation. Korean Couns. 2012, 13, 629 – 644. [Google Scholar]
  6. Kwon, M .; Lee, J.-Y .; Won, W.-Y .; Park, J.-W .; Min, J.-A .; Hahn, C .; Gu, X .; Choi, J.-H .; Kim, D.-J. Développement et validation d'une échelle de dépendance au smartphone (SAS). PLoS ONE 2013, 8, e56936. [Google Scholar] [CrossRef] [PubMed]
  7. Kuss, DJ; Griffiths, MD; Karila, L .; Billieux, J. Internet addiction: Revue systématique de la recherche épidémiologique au cours de la dernière décennie. Curr. Pharm. Des. 2014, 20, 4026 – 4052. [Google Scholar] [CrossRef] [PubMed]
  8. Andreassen, CS; Billieux, J .; Griffiths, MD; Kuss, DJ; Demetrovics, Z .; Mazzoni, E .; Pallesen, S. La relation entre la dépendance des médias sociaux et des jeux vidéo et les symptômes de troubles psychiatriques: une étude transversale à grande échelle. Psychol. Toxicomane. Comportement 2016, 30, 252. [Google Scholar] [CrossRef] [PubMed]
  9. Aljomaa, SS; Qudah, MFA; Albursan, IS; Bakhiet, SF; Abduljabbar, AS Smartphone addiction chez les étudiants universitaires à la lumière de certaines variables. Comput. Fredonner. Comportement 2016, 61, 155 – 164. [Google Scholar] [CrossRef]
  10. Anderson, EL; Steen, E .; Stavropoulos, V. Utilisation d'Internet et utilisation Internet problématique: Revue systématique des tendances de la recherche longitudinale à l'adolescence et à l'âge adulte émergent. Int. J. Adolesc. Jeunesse 2017, 22, 430 – 454. [Google Scholar] [CrossRef]
  11. Haug, S .; Castro, RP; Kwon, M .; Charge, A .; Kowatsch, T .; Schaub, MP Utilisation d'un smartphone et dépendance au smartphone chez les jeunes en Suisse. J. Behav. Toxicomane. 2015, 4, 299 – 307. [Google Scholar] [CrossRef] [PubMed]
  12. Ko, C.-H .; Yen, J.-Y .; Yen, C.-F .; Chen, C.-S .; Chen, C.-C. L'association entre la dépendance à Internet et les troubles psychiatriques: une revue de la littérature. EUR. Psychiatrie 2012, 27, 1 – 8. [Google Scholar] [CrossRef] [PubMed]
  13. Demirci, K .; Akgönül, M .; Akpinar, A. Relation entre la gravité de l'utilisation d'un smartphone, la qualité du sommeil, la dépression et l'anxiété chez les étudiants universitaires. J. Behav. Toxicomane. 2015, 4, 85 – 92. [Google Scholar] [CrossRef] [PubMed]
  14. Brand, M .; Young, KS; Laier, C .; Wölfling, K .; Potenza, MN Intégration de considérations psychologiques et neurobiologiques concernant le développement et le maintien de troubles spécifiques de l'utilisation d'Internet: modèle d'interaction I-PACE (interaction personne-affect-cognition-exécution). Neurosci. Biobehav. Tour. 2016, 71, 252 – 266. [Google Scholar] [CrossRef] [PubMed]
  15. Kim, Y.-J .; Kim, D.-J .; Choi, J. La dérégulation cognitive de la dépendance à Internet et ses corrélats neurobiologiques. De face. Biosci (Elite ed.) 2017, 9, 307 – 320. [Google Scholar]
  16. Lachmann, B .; Duke, É .; Sariyska, R .; Montag, C. Qui est accro au Smartphone et / ou à Internet? Psychol. Pop. Media Cult. 2017. [Google Scholar] [CrossRef]
  17. Lachmann, B .; Sindermann, C .; Sariyska, RY; Luo, R .; Melchers, MC; Becker, B .; Cooper, AJ; Montag, C. Le rôle de l'empathie et de la satisfaction de la vie dans le trouble de l'utilisation d'Internet et des smartphones. De face. Psychol. 2018, 9, 398. [Google Scholar] [CrossRef] [PubMed]
  18. Banjanin, N .; Banjanin, N .; Dimitrijevic, I .; Pantic, I. Relation entre utilisation d'Internet et dépression: Focus sur les oscillations physiologiques de l'humeur, les réseaux sociaux et les comportements addictifs en ligne. Comput. Fredonner. Comportement 2015, 43, 308 – 312. [Google Scholar] [CrossRef]
  19. Akin, A .; Iskender, M. Dépendance à Internet et dépression, anxiété et stress. Int. En ligne J. Educ. Sci. 2011, 3, 138 – 148. [Google Scholar]
  20. Ostovar, S .; Allahyar, N .; Aminpoor, H .; Moafian, F .; Ni MBM; Griffiths, MD La dépendance à Internet et ses risques psychosociaux (dépression, anxiété, stress et solitude) chez les adolescents et les jeunes adultes iraniens: Un modèle d’équation structurelle dans une étude transversale. Int. J. Ment. Addict de la santé. 2016, 14, 257 – 267. [Google Scholar] [CrossRef]
  21. Cheung, LM; Wong, WS Les effets de l'insomnie et de la dépendance à Internet sur la dépression chez les adolescents chinois de Hong Kong: une analyse transversale exploratoire. J. Sleep Res. 2011, 20, 311 – 317. [Google Scholar] [CrossRef] [PubMed]
  22. Cepeda, MS; Boston, R .; Farrar, JT; Strom, BL Comparaison de la régression logistique et du score de propension lorsque le nombre d'événements est faible et qu'il existe plusieurs facteurs de confusion. Un m. J. Epidemiol. 2003, 158, 280 – 287. [Google Scholar] [CrossRef] [PubMed]
  23. Austin, PC Évaluation critique de l'appariement du score de propension dans la littérature médicale entre 1996 et 2003. Stat. Med. 2008, 27, 2037 – 2049. [Google Scholar] [CrossRef] [PubMed]
  24. Austin, PC; Grootendorst, P .; Anderson, GM Comparaison de la capacité de différents modèles de scores de propension à équilibrer les variables mesurées entre sujets traités et non traités: étude de Monte Carlo. Stat. Med. 2007, 26, 734 – 753. [Google Scholar] [CrossRef] [PubMed]
  25. Müller, KW; Glaesmer, H .; Brähler, E .; Woelfling, K .; Beutel, ME Prévalence de la dépendance à Internet dans la population en général: Résultats d'une enquête allemande sur la population. Comportement Inf. Technol. 2014, 33, 757 – 766. [Google Scholar] [CrossRef]
  26. Rho, MJ; Lee, H .; Lee, T.-H .; Cho, H .; Jung, D .; Kim, D.-J .; Choi, IY Facteurs de risque du trouble du jeu sur Internet: facteurs psychologiques et caractéristiques du jeu sur Internet. Int. J. Environ. Res. Santé publique 2018, 15, 40. [Google Scholar] [CrossRef] [PubMed]
  27. Agence nationale de service d'information. Une étude de l’échelle de prédiction de la dépendance à l’Internet pour les adultes; Agence nationale de service d’information: Séoul, Corée, 2005. [Google Scholar]
  28. Kim, D. L'étude de suivi de l'échelle de prédiction de la dépendance à Internet; Agence coréenne pour la promotion et la promotion numériques: Séoul, Corée, 2008; Disponible en ligne: http://www.nia.or.kr/site/nia_kor/ex/bbs/View.do?cbIdx=39485&bcIdx=277&parentSeq=277 (consulté sur 8 May 2008).
  29. Kim, D.-I .; Chung, Y.-J .; Lee, E.-A .; Kim, D.-M .; Cho, Y.-M. Développement de l'échelle de prédiction de la dépendance à Internet - forme courte (échelle KS). Korean Couns. 2008, 9, 1703 – 1722. [Google Scholar]
  30. Agence nationale de service d'information. Mise au point d’une échelle de pronostics sur la toxicomanie sur les téléphones coréens pour les jeunes et les adultes; Agence nationale de services d’information: Séoul, Corée, 2011; pp. 85 – 86. [Google Scholar]
  31. Kim, KI .; Kim, JW. L’étude de normalisation de la liste de contrôle des symptômes-90-R en Corée III. Ment. Santé Res. 1984, 2, 278 – 311. [Google Scholar]
  32. Heckman, J .; Smith, J. Évaluation des arguments en faveur d'expériences sociales. J. Econ. Perspective. 1995, 9, 85 – 110. [Google Scholar] [CrossRef]
  33. Caliendo, M .; Kopeinig, S. Quelques conseils pratiques pour la mise en œuvre de l'appariement par score de propension. J. Econ. Surv. 2008, 22, 31 – 72. [Google Scholar] [CrossRef]
  34. Sekhon, JS; Diamond, A. Appariement génétique pour l'estimation des effets de causalité, Manuscrit non publié. Présenté à la réunion annuelle de la méthodologie politique, Tallahassee, FL, États-Unis, juillet 2005. [Google Scholar]
  35. Ghassemzadeh, L .; Shahraray, M .; Moradi, A. Prévalence de la dépendance à Internet et comparaison des toxicomanes et des non-toxicomanes dans les écoles secondaires iraniennes. Cyberpsychol. Comportement 2008, 11, 731 – 733. [Google Scholar] [CrossRef] [PubMed]
  36. Yen, J.-Y .; Ko, C.-H .; Yen, C.-F .; Wu, H.-Y .; Yang, M.-J. Les symptômes psychiatriques concomitants de la dépendance à Internet: déficit de l'attention et trouble d'hyperactivité (TDAH), dépression, phobie sociale et hostilité. J. Adolesc. Santé 2007, 41, 93 – 98. [Google Scholar] [CrossRef] [PubMed]
  37. Tonioni, F .; Mazza, M .; Autullo, G .; Cappelluti, R .; Catalano, V .; Marano, G .; Fiumana, V .; Moschetti, C .; Alimonti, F .; Luciani, M. La dépendance à Internet est-elle une affection psychopathologique distincte du jeu pathologique? J. Addict. Comportement 2014, 39, 1052 – 1056. [Google Scholar] [CrossRef] [PubMed]
  38. Kuss, DJ; Griffiths, MD Réseaux sociaux en ligne et dépendance - Revue de la littérature psychologique. Int. J. Environ. Res. Santé publique 2011, 8, 3528 – 3552. [Google Scholar] [CrossRef] [PubMed]
  39. Oulasvirta, A .; Rattenbury, T .; Ma, L .; Raita, E. Les habitudes rendent l'utilisation du smartphone plus répandue. Pers. Comput ubiquiste. 2012, 16, 105 – 114. [Google Scholar] [CrossRef]
  40. Duke, É .; Montag, C. Dépendance au smartphone, interruptions quotidiennes et productivité autodéclarée. Toxicomane. Comportement représentant 2017, 6, 90 – 95. [Google Scholar] [CrossRef] [PubMed]
  41. Kuss, DJ; Griffiths, MD Sites de réseautage social et dépendance: Dix leçons apprises. Int. J. Environ. Res. Santé publique 2017, 14, 311. [Google Scholar] [CrossRef] [PubMed]
  42. Oberst, U .; Wegmann, E .; Stodt, B .; Brand, M .; Chamarro, A. Les conséquences négatives d'un réseau social intense chez les adolescents: le rôle de médiateur de la peur de passer à côté. J. Adolesc. 2017, 55, 51 – 60. [Google Scholar] [CrossRef] [PubMed]
  43. Joffe, MM; Rosenbaum, PR Commentaire invité: Scores de propension. Un m. J. Epidemiol. 1999, 150, 327 – 333. [Google Scholar] [CrossRef] [PubMed]
  44. Diamond, A .; Sekon, J. Appariement génétique pour l'estimation des effets de causalité: une nouvelle méthode pour atteindre un équilibre dans les études d'observation. Rev Econ. Stat. 2013, 95, 932 – 945. [Google Scholar] [CrossRef]