Effectiveness and treatment moderators of internet interventions for adult problem drinking: An individual patient data meta-analysis of 19 randomised controlled trials
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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.
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.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Méta-analyse | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Méta-analyse | high |
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,026 | 0,005 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle