Implementation and Outcomes of a Collaborative Multi-Center Network Aimed at Web-Based Cognitive Training – COGWEB Network
Notice bibliographique
Résumé
BACKGROUND: Cognitive care for the most prevalent neurologic and psychiatric conditions will only improve through the implementation of new sustainable approaches. Innovative cognitive training methodologies and collaborative professional networks are necessary evolutions in the mental health sector. OBJECTIVE: The objective of the study was to describe the implementation process and early outcomes of a nationwide multi-organizational network supported on a Web-based cognitive training system (COGWEB). METHODS: The setting for network implementation was the Portuguese mental health system and the hospital-, academic-, community-based institutions and professionals providing cognitive training. The network started in August 2012, with 16 centers, and was monitored until September 2013 (inclusions were open). After onsite training, all were allowed to use COGWEB in their clinical or research activities. For supervision and maintenance were implemented newsletters, questionnaires, visits and webinars. The following outcomes were prospectively measured: (1) number, (2) type, (3) time to start, and (4) activity state of centers; age, gender, level of education, and medical diagnosis of patients enrolled. RESULTS: The network included 68 professionals from 41 centers, (33/41) 80% clinical, (8/41) 19% nonclinical. A total of 298 patients received cognitive training; 45.3% (n=135) female, mean age 54.4 years (SD 18.7), mean educational level 9.8 years (SD 4.8). The number enrolled each month increased significantly (r=0.6; P=.031). At 12 months, 205 remained on treatment. The major causes of cognitive impairment were: (1) neurodegenerative (115/298, 38.6%), (2) structural brain lesions (63/298, 21.1%), (3) autoimmune (40/298, 13.4%), (4) schizophrenia (30/298, 10.1%), and (5) others (50/298, 16.8%). The comparison of the patient profiles, promoter versus all other clinical centers, showed significant increases in the diversity of causes and spectrums of ages and education. CONCLUSIONS: Over its first year, there was a major increase in the number of new centers and professionals, as well as of the clinical diversity of patients treated. The consolidation of such a national collaborative network represents an innovative step in mental health care evolution. Furthermore, it may contribute to translational processes in the field of cognitive training and reduce disease burden.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».