MétaCan
Menu
Retour à la cohorte
Enregistrement W2904205930 · doi:10.1371/journal.pmed.1002714

Effectiveness and treatment moderators of internet interventions for adult problem drinking: An individual patient data meta-analysis of 19 randomised controlled trials

2018· review· en· W2904205930 sur OpenAlexaff
Heleen Riper, Adriaan W. Hoogendoorn, Pim Cuijpers, Eirini Karyotaki, Nikolaos Boumparis, Adriana Mira, Gerhard Andersson, Anne H. Berman, Nicolas Bertholet, Gallus Bischof, Matthijs Blankers, Brigitte Boon, Leif Boß, Håvar Brendryen, John Cunningham, David Daniel Ebert, Anders Blædel Gottlieb Hansen, Reid K. Hester, Zarnie Khadjesari, Jeannet Kramer, Elizabeth Murray, Marloes G. Postel, Daniela N Schulz, Kristina Sinadinovic, Brian Suffoletto, Christopher Sundström, Hein de Vries, Paul K. Wallace, Reínout W. Wiers, Johannes H. Smit

Notice bibliographique

RevuePLoS Medicine · 2018
Typereview
Langueen
DomaineMedicine
ThématiqueSubstance Abuse Treatment and Outcomes
Établissements canadiensUniversity of TorontoCentre for Addiction and Mental Health
Organismes subventionnairesNational Institute for Health and Care Research
Mots-clésMeta-analysisMedicinePsychological interventionRandomized controlled trialClinical trialThe InternetMEDLINEInternal medicinePsychiatryWorld Wide WebComputer scienceBiology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Face-to-face brief interventions for problem drinking are effective, but they have found limited implementation in routine care and the community. Internet-based interventions could overcome this treatment gap. We investigated effectiveness and moderators of treatment outcomes in internet-based interventions for adult problem drinking (iAIs). METHODS AND FINDINGS: Systematic searches were performed in medical and psychological databases to 31 December 2016. A one-stage individual patient data meta-analysis (IPDMA) was conducted with a linear mixed model complete-case approach, using baseline and first follow-up data. The primary outcome measure was mean weekly alcohol consumption in standard units (SUs, 10 grams of ethanol). Secondary outcome was treatment response (TR), defined as less than 14/21 SUs for women/men weekly. Putative participant, intervention, and study moderators were included. Robustness was verified in three sensitivity analyses: a two-stage IPDMA, a one-stage IPDMA using multiple imputation, and a missing-not-at-random (MNAR) analysis. We obtained baseline data for 14,198 adult participants (19 randomised controlled trials [RCTs], mean age 40.7 [SD = 13.2], 47.6% women). Their baseline mean weekly alcohol consumption was 38.1 SUs (SD = 26.9). Most were regular problem drinkers (80.1%, SUs 44.7, SD = 26.4) and 19.9% (SUs 11.9, SD = 4.1) were binge-only drinkers. About one third were heavy drinkers, meaning that women/men consumed, respectively, more than 35/50 SUs of alcohol at baseline (34.2%, SUs 65.9, SD = 27.1). Post-intervention data were available for 8,095 participants. Compared with controls, iAI participants showed a greater mean weekly decrease at follow-up of 5.02 SUs (95% CI -7.57 to -2.48, p < 0.001) and a higher rate of TR (odds ratio [OR] 2.20, 95% CI 1.63-2.95, p < 0.001, number needed to treat [NNT] = 4.15, 95% CI 3.06-6.62). Persons above age 55 showed higher TR than their younger counterparts (OR = 1.66, 95% CI 1.21-2.27, p = 0.002). Drinking profiles were not significantly associated with treatment outcomes. Human-supported interventions were superior to fully automated ones on both outcome measures (comparative reduction: -6.78 SUs, 95% CI -12.11 to -1.45, p = 0.013; TR: OR = 2.23, 95% CI 1.22-4.08, p = 0.009). Participants treated in iAIs based on personalised normative feedback (PNF) alone were significantly less likely to sustain low-risk drinking at follow-up than those in iAIs based on integrated therapeutic principles (OR = 0.52, 95% CI 0.29-0.93, p = 0.029). The use of waitlist control in RCTs was associated with significantly better treatment outcomes than the use of other types of control (comparative reduction: -9.27 SUs, 95% CI -13.97 to -4.57, p < 0.001; TR: OR = 3.74, 95% CI 2.13-6.53, p < 0.001). The overall quality of the RCTs was high; a major limitation included high study dropout (43%). Sensitivity analyses confirmed the robustness of our primary analyses. CONCLUSION: To our knowledge, this is the first IPDMA on internet-based interventions that has shown them to be effective in curbing various patterns of adult problem drinking in both community and healthcare settings. Waitlist control may be conducive to inflation of treatment outcomes.

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

Étiquettes directes de modèles (non validées)

Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.

BrasCatégoriesDevis d'étudeConfiance
gemmaaucune catégorie
Domaine: non disponible · Genre: Synthèse
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Méta-analyselow
gptaucune catégorie
Domaine: non disponible · Genre: Synthèse
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Méta-analysehigh
modèles en accordL'accord compare des ensembles de catégories et des devis identiques entre les bras.

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,044
score de la tête « metaresearch » (Gemma)0,085
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: Méta-analyse
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,230

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0440,085
Méta-épidémiologie (sens strict)0,0040,002
Méta-épidémiologie (sens large)0,0200,060
Bibliométrie0,0060,005
Études des sciences et des technologies0,0010,001
Communication savante0,0040,003
Science ouverte0,0030,002
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,446
Tête enseignante GPT0,459
Écart entre enseignants0,014 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Étiqueté directement par 2 modèles lisant le dossier complet.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations294
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS MedicineMême sujetSubstance Abuse Treatment and OutcomesTravaux en français237 207