Predicting Change in an Integrated Dual Diagnosis Substance Abuse Intensive Outpatient Program
Notice bibliographique
Résumé
Research on routine outcome monitoring in psychotherapy settings is plentiful but not without implementation obstacles. In fact, there is a relative dearth of real-time outcome monitoring in substance use treatment settings. Numerous barriers to the development and implementation of clinical decision support tools and outcome monitoring of substance use patients, including the need to establish expected trajectories of change and use of reliable change indices have been identified (Goodman, McKay, & DePhilippis, 2013 ). The current study was undertaken to develop expected trajectories of change and to demonstrate the treatment effectiveness of a dual diagnosis intensive outpatient program. The expected trajectories of change for days of substance use and depression scores were developed using predictive equation models from derivation samples and then applied to cross-validation samples. Predictive equations to monitor substance use were developed and validated for all patients and for only patients who were actively using substance at the time of admission, as well as to monitor severity of their depression symptom on a weekly basis. Validation of the equations was assessed through the use of Cohen's kappa (κ), receiver operating characteristic curves, reliable change index, and percentage improvement. Large effect sizes for reductions in substance use (Cohen's d = .76) and depressive symptoms (d = 1.10) are reported. The best predictive models we developed had absolute accuracy rates ranging from 95 to 100%. The findings from this study indicate that predictive equations for depressive symptoms and days of substance use can be derived and validated on dual diagnosis samples.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».