Review of Randomized Controlled Trials Using e-Health Interventions for Patients With Eating Disorders
Notice bibliographique
Résumé
BACKGROUND: In a world of technological advancements, electronic devices and services seem to be a promising way to increase patients' engagement in treatment and to help manage their symptoms. Here, we identified and analyzed the current evidence of RCTs to evaluate the effectiveness and acceptability of e-health interventions in the eating disorder (ED) field. METHODS: We screened an initial cluster of 581 papers. In the end, 12 RCTs in clinical ED cohorts were included. RESULTS: Some studies were conceived as stand-alone interventions, while others were presented as add-ons to ED-specific treatments. Studies varied in the type of EDs under investigation and in the e-health intervention applied (with vs. without therapist support vs. blended interventions; smartphone- vs. web-based). Only four studies reported explicit acceptability measures. Out of those, two reported high acceptability, one reported low acceptability, and one reported no significant difference in acceptability between groups. Four studies reported higher effectiveness of the e-health intervention compared to the control condition, e.g., reduction in maladaptive eating behaviors. Regarding control groups, three used a wait list design and nine had another kind of intervention (e.g., face-to-face CBT, or treatment as usual) as control. DISCUSSION: So far, the evidence for acceptability and effectiveness of e-health interventions in EDs is very limited. There is also a lack of studies in older patients, adolescents, men, sexual and ethnic minorities. Shame/stigma is discussed in the context of e-health interventions for EDs. It remains unclear how severity of EDs affects the effectiveness of e-health interventions, how patients can channel the knowledge they acquire from e-health interventions into their actual behaviors, and how such interventions can better fit the needs of the individual patient to increase acceptability and effectiveness.
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 machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,026 | 0,112 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,014 | 0,013 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».