Blended Digital and Face-to-Face Care for First-Episode Psychosis Treatment in Young People: Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: A small number of studies have found that digital mental health interventions can be feasible and acceptable for young people experiencing first-episode psychosis; however, little research has examined how they might be blended with face-to-face approaches in order to enhance care. Blended treatment refers to the integration of digital and face-to-face mental health care. It has the potential to capitalize on the evidence-based features of both individual modalities, while also exceeding the sum of its parts. This integration could bridge the online-offline treatment divide and better reflect the interconnected, and often complementary, ways young people navigate their everyday digital and physical lives. OBJECTIVE: This study aimed to gain young people's perspectives on the design and implementation of a blended model of care in first-episode psychosis treatment. METHODS: This qualitative study was underpinned by an end-user development framework and was based on semistructured interviews with 10 participants aged 19 to 28 (mean 23.4, SD 2.62). A thematic analysis was used to analyze the data. RESULTS: Three superordinate themes emerged relating to young people's perspectives on the design and implementation of a blended model of care in first-episode psychosis treatment: (1) blended features, (2) cautions, and (3) therapeutic alliance. CONCLUSIONS: We found that young people were very enthusiastic about the prospect of blended models of mental health care, in so far as it was used to enhance their experience of traditional face-to-face treatment but not to replace it overall. Aspects of blended treatment that could enhance clinical care were readily identified by young people as increasing accessibility, continuity, and consolidation; accessing posttherapy support; strengthening the relationship between young person and clinician; and tracking personal data that could be used to better inform clinical decision making. Future research is needed to investigate the efficacy of blended models of care by evaluating its impact on the therapeutic alliance, clinical and social outcomes, cost-effectiveness, and engagement.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 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 ».