The Efficacy of eHealth Interventions for the Treatment of Adults Diagnosed With Full or Subthreshold Binge Eating Disorder: Systematic Review and Meta-analysis
Notice bibliographique
Résumé
BACKGROUND: There has been a recent rise in the use of eHealth treatments for a variety of psychological disorders, including eating disorders. OBJECTIVE: This meta-analysis of randomized controlled trials is the first to evaluate the efficacy of eHealth interventions specifically for the treatment of binge eating disorder (characterized by compulsive overconsumption of food, in a relatively short period, and without compensatory behaviors such as purging or fasting). METHODS: A search on the electronic databases PubMed, Web of Science, Embase, MEDLINE, and CINAHL was conducted for randomized controlled trials that compared the efficacy of eHealth treatment interventions with waitlist controls. RESULTS: From the databases searched, 3 studies (298 participants in total) met the inclusion criteria. All interventions were forms of internet-based guided cognitive behavioral therapy. The results of the analysis demonstrated that when compared with waitlist controls, individuals enrolled in eHealth interventions experienced a reduction in objective binge episodes (standardized mean difference [SMD] -0.77, 95% CI -1.38 to -0.16) and eating disorder psychopathology (SMD -0.71, 95% CI -1.20 to -0.22), which included shape (SMD -0.61, 95% CI -1.01 to -0.22) and weight concerns (SMD -0.91, 95% CI -1.33 to -0.48). There was no significant difference in BMI between the eHealth interventions and controls (SMD -0.01, 95% CI -0.40 to 0.39). CONCLUSIONS: These findings provide promising results for the use of internet-based cognitive behavioral therapy for binge eating disorder treatment and support the need for future research to explore the efficacy of these eHealth interventions.
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 | 0,010 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,004 |
| 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) | 0,001 | 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 ».