Clinical Practice Models for the Use of E-Mental Health Resources in Primary Health Care by Health Professionals and Peer Workers: A Conceptual Framework
Notice bibliographique
Résumé
BACKGROUND: Research into e-mental health technologies has developed rapidly in the last 15 years. Applications such as Internet-delivered cognitive behavioral therapy interventions have accumulated considerable evidence of efficacy and some evidence of effectiveness. These programs have achieved similar outcomes to face-to-face therapy, while requiring much less clinician time. There is now burgeoning interest in integrating e-mental health resources with the broader mental health delivery system, particularly in primary care. The Australian government has supported the development and deployment of e-mental health resources, including websites that provide information, peer-to-peer support, automated self-help, and guided interventions. An ambitious national project has been commissioned to promote key resources to clinicians, to provide training in their use, and to evaluate the impact of promotion and training upon clinical practice. Previous initiatives have trained clinicians to use a single e-mental health program or a suite of related programs. In contrast, the current initiative will support community-based service providers to access a diverse array of resources developed and provided by many different groups. OBJECTIVE: The objective of this paper was to develop a conceptual framework to support the use of e-mental health resources in routine primary health care. In particular, models of clinical practice are required to guide the use of the resources by diverse service providers and to inform professional training, promotional, and evaluation activities. METHODS: Information about service providers' use of e-mental health resources was synthesized from a nonsystematic overview of published literature and the authors' experience of training primary care service providers. RESULTS: Five emerging clinical practice models are proposed: (1) promotion; (2) case management; (3) coaching; (4) symptom-focused treatment; and (5) comprehensive therapy. We also consider the service provider skills required for each model and the ways that e-mental health resources might be used by general practice doctors and nurses, pharmacists, psychologists, social workers, occupational therapists, counselors, and peer workers. CONCLUSIONS: The models proposed in the current paper provide a conceptual framework for policy-makers, researchers and clinicians interested in integrating e-mental health resources into primary care. Research is needed to establish the safety and effectiveness of the models in routine care and the best ways to support their implementation.
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 | 0,048 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,009 | 0,005 |
| Études des sciences et des technologies | 0,007 | 0,025 |
| Communication savante | 0,014 | 0,016 |
| Science ouverte | 0,008 | 0,008 |
| Intégrité de la recherche | 0,008 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».