MétaCan
Menu
← Retour à la cohorte
Enregistrement W3103205404 · doi:10.2196/21200

Web-based Self-help Program for Adjustment Problems After an Accident (SelFIT): Protocol for a Randomized Controlled Trial

2020· article· en· W3103205404 sur OpenAlexvenueno aff
Julia Katharina Hegy, Noemi Anja Brog, Thomas Berger, Hansjörg Znoj

Notice bibliographique

RevueJMIR Research Protocols · 2020
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Bern
Mots-clésPsychological interventionRandomized controlled trialAnxietyMental healthPoison controlIntervention (counseling)DistressMedicineSuicide preventionProtocol (science)PsychologyPhysical therapyPsychiatryClinical psychologyMedical emergencyAlternative medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Accidents and the resulting injuries are among the world's biggest health care issues, often causing long-term effects on psychological and physical health. With regard to psychological consequences, accidents can cause a wide range of burdens including adjustment problems. Although adjustment problems are among the most frequent mental health problems, there are few specific interventions available. The newly developed program SelFIT (German acronym: Selber wieder fit nach einem Unfall; "fit again after an accident") aims to remedy this situation by offering a low-threshold, web-based self-help intervention for psychological distress after an accident. OBJECTIVE: The overall aim is to evaluate the efficacy and cost-effectiveness of the SelFIT program plus care as usual (CAU) compared to only CAU. Furthermore, the program's user-friendliness, acceptance, and adherence are assessed. We expect that the use of SelFIT will be associated with a greater reduction in psychological distress, greater improvement in mental and physical well-being, and greater cost-effectiveness compared to CAU. METHODS: Adults (n=240) experiencing adjustment problems due to an accident they had between 2 weeks and 2 years before entering the study will be randomized into either the intervention or control group. Participants in the intervention group receive direct access to SelFIT. The control group receives access to the program after 12 weeks. There are 6 measurement points for both groups (baseline as well as after 4, 8, 12, 24, and 36 weeks). The main outcome is a reduction in anxiety, depression, and stress symptoms that indicate adjustment problems. Secondary outcomes include well-being, optimism, embitterment, self-esteem, self-efficacy, emotion regulation, pain, costs of health care consumption, and productivity loss, as well as the program's adherence, acceptance, and user-friendliness. RESULTS: Recruitment began in December 2019 and will continue at least until January 2021, with the option to extend this for another 6 months until July 2021. As of July 2020, 324 people have shown interest in participating, and 48 people have given their informed consent. CONCLUSIONS: To the best of our knowledge, this is the first study examining a web-based self-help program designed to treat adjustment problems resulting from an accident. If effective, the program could complement the still limited offerings for secondary and tertiary prevention of psychological distress after an accident. TRIAL REGISTRATION: ClinicalTrials.gov NCT03785912; https://clinicaltrials.gov/ct2/show/NCT03785912. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): DERR1-10.2196/21200.

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 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)0,028
score de la tête « metaresearch » (Gemma)0,022
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Protocole · Signal consensuel: Protocole
Score de désaccord entre enseignants0,095
Score d'incertitude au seuil0,316

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0280,022
Méta-épidémiologie (sens strict)0,0070,003
Méta-épidémiologie (sens large)0,0140,005
Bibliométrie0,0030,004
Études des sciences et des technologies0,0040,003
Communication savante0,0050,003
Science ouverte0,0040,002
Intégrité de la recherche0,0070,009
Charge utile insuffisante (le modèle a refusé de juger)0,0950,014

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 Opus0,218
Tête enseignante GPT0,593
Écart entre enseignants0,375 · 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

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai randomisé
Domainenon disponible
GenreProtocole

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

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Research Protocols→Même sujetDigital Mental Health Interventions→Travaux en français237 207→