The Use of Text Messaging to Improve Clinical Engagement for Individuals With Psychosis: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Individuals experiencing psychosis are at a disproportionate risk for premature disengagement from clinical treatment. Barriers to clinical engagement typically result from funding constraints causing limited access to and flexibility in services. Digital strategies, such as SMS text messaging, offer a low-cost alternative to potentially improve engagement. However, little is known about the efficacy of SMS text messaging in psychosis. OBJECTIVE: This review aimed to address this gap, providing insights into the relationship between SMS text messaging and clinical engagement in the treatment of psychosis. METHODS: Studies examining SMS text messaging as an engagement strategy in the treatment of psychosis were reviewed. Included studies were published from the year 2000 onward in the English language, with no methodological restrictions, and were identified using 3 core databases and gray literature sources. RESULTS: Of the 233 studies extracted, 15 were eligible for inclusion. Most studies demonstrated the positive effects of SMS text messaging on dimensions of engagement such as medication adherence, clinic attendance, and therapeutic alliance. Studies examining the feasibility of SMS text messaging interventions found that they are safe, easy to use, and positively received. CONCLUSIONS: Overall, SMS text messaging is a low-cost, practical method of improving engagement in the treatment of psychosis, although efficacy may vary by symptomology and personal characteristics. Cost-effectiveness and safety considerations were not adequately examined in the studies included. Future studies should consider personalizing SMS text messaging interventions and include cost and safety analyses to appraise readiness for implementation.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».