Incentives and Disincentives for the Treatment of Depression and Anxiety: A Scoping Review
Notice bibliographique
Résumé
OBJECTIVE: There is widespread support for primary care to help address growing mental health care demands. Incentives and disincentives are widely used in the design of health care systems to help steer toward desired goals. The absence of a conceptual model to help understand the range of factors that influence the provision of primary mental health care inspired a scoping review of the literature. Understanding the incentives that promote and the disincentives that deter treatment for depression and anxiety in the primary care context will help to achieve goals of greater access to mental health care. METHOD: A review of the literature was conducted to answer the question, how are incentives and disincentives conceptualized in studies investigating the treatment of common mental disorders in primary care? A comprehensive search of MEDLINE, PsycINFO, CINAHL, and Google Scholar was undertaken using Arksey and O'Malley's 5-stage methodological framework for scoping reviews. RESULTS: We identified 27 studies. A range of incentives and disincentives influence the success of primary mental health care initiatives to treat depression and anxiety. Six types of incentives and disincentives can encourage or discourage treatment of depression and anxiety in primary care: attitudes and beliefs, training and core competencies, leadership, organizational, financial, and systemic. CONCLUSIONS: Understanding that there are 6 different types of incentives that influence treatment for anxiety and depression in primary care may help service planners who are trying to promote improved mental health care.
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 | 0,034 | 0,159 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,017 | 0,020 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».