Identifying Targets for Improving Mental Healthcare of Adolescents with Systemic Lupus Erythematosus: Perspectives from Pediatric Rheumatology Clinicians in the United States and Canada
Notice bibliographique
Résumé
OBJECTIVE: To identify targets for improving mental healthcare of adolescents with systemic lupus erythematosus (SLE) by assessing current practices and perceived barriers for mental health intervention by pediatric rheumatology clinicians. METHODS: Members of the Childhood Arthritis and Rheumatology Research Alliance (CARRA) completed a Web-based survey assessing current mental health practices, beliefs, and barriers. We examined associations between provider characteristics and the frequency of barriers to mental health screening and treatment using multivariable linear regression. RESULTS: Of the 375 eligible CARRA members, 130 responded (35%) and 119 completed the survey. Fifty-two percent described identification of depression/anxiety in adolescents with SLE at their practice as inadequate, and 45% described treatment as inadequate. Seventy-seven percent stated that routine screening for depression/anxiety in pediatric rheumatology should be conducted, but only 2% routinely used a standardized instrument. Limited staff resources and time were the most frequent barriers to screening. Respondents with formal postgraduate mental health training, experience treating young adults, and practicing at sites with very accessible mental health staff, in urban locations, and in Canada reported fewer barriers to screening. Long waitlists and limited availability of mental health providers were the most frequent barriers to treatment. Male clinicians and those practicing in the Midwest and Canada reported fewer barriers to treatment. CONCLUSION: Pediatric rheumatology clinicians perceive a need for improved mental healthcare of adolescents with SLE. Potential strategies to overcome barriers include enhanced mental health training for pediatric rheumatologists, standardized rheumatology-based mental health practices, and better integration of medical and mental health services.
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 | 0,001 | 0,006 |
| 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 | 0,005 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».