MétaCan
Menu
Retour à la cohorte
Enregistrement W3176079178 · doi:10.1192/bjo.2021.93

Exploring determinants of self-management in adults with severe mental illness: a qualitative evidence synthesis

2021· article· en· W3176079178 sur OpenAlexaff
Claire Carswell, Jennifer Valeska Elli Brown, Abisola Balogun, Jo Taylor, Peter Coventry, Charlotte Kitchen, Ian Kellar, Emily Peckham, Sue Bellass, Sarah Alderson, Jennie Lister, Richard I. G. Holt, Catherine Hewitt, Rowena Jacobs, David Shiers, Jan R. Boehnke, Ramzi Ajjan, Najma Siddiqi

Notice bibliographique

RevueBJPsych Open · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes Management and Education
Établissements canadiensYork University
Organismes subventionnairesEconomic and Social Research Council
Mots-clésCINAHLSelf-managementPsychologyQualitative researchMental illnessPsycINFOMental healthMEDLINEDiabetes managementDisease managementClinical psychologyMedicineGerontologyType 2 diabetesPsychiatryPsychological interventionDiabetes mellitusHealth management systemAlternative medicine

Résumé

récupéré en direct d'OpenAlex

Aims To systematically review and synthesise qualitative evidence about determinants of self-management in adults with SMI. The goal is to use findings from this review to inform the design of effective self-management strategies for people with SMI and LTCs. Background People living with serious mental illness (SMI) have a reduced life expectancy by around 15–20 years, mainly due to the high prevalence of long-term physical conditions such as diabetes and heart disease. People with SMI face many challenges when trying to manage their physical health. Little is known about the determinants of self-management – managing the emotional and practical issues – of long-term conditions (LTCs) for people with SMI. Method Six databases, including CINAHL and MEDLINE, were searched to identify qualitative studies that explored people's perceptions about determinants of self-management in adults with SMI (with or without comorbid LTCs). Self-management was defined according to the American Association of Diabetes Educator's self-care behaviours (AADE7). Determinants were defined according to the Capabilities, Opportunity, Motivations and Behaviours (COM-B) framework. Eligible studies were purposively sampled for synthesis according to the richness of the data (assessed using Ames et al (2017)'s data richness scale), and thematically synthesised. Result Twenty-six articles were included in the synthesis. Seven studies focused on self-management of LTCs, with the remaining articles exploring self-management of SMI. Six analytic themes and 28 sub-themes were identified from the synthesis. The themes included: the additional burden of SMI; living with comorbidities; beliefs and attitudes about self-management; support from others for self-management; social and environmental factors; routine, structure and planning. Capabilities for self-management were linked to people's perceptions about the support they received for their SMI and LTC from healthcare professionals, family and friends. Opportunities for self-management were more commonly expressed in the context of social and environmental factors. Motivation for self-management was influenced by beliefs and attitudes, whilst being closely related to the burden of SMI. Conclusion The themes identified from the synthesis suggest that capabilities, opportunities and motivations for self-management can be negatively influenced by the experience of SMI, whilst social and professional support, improved access to resources, and increased involvement in care, could promote self-management. Support programmes for people with SMI and LTCs need to account for these experiences and adapt to meet the unique needs of this population.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,515
Score d'incertitude au seuil0,394

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,120
Tête enseignante GPT0,387
Écart entre enseignants0,267 · 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 tête enseignante, pas un consensus.

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

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

En bref

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBJPsych OpenMême sujetDiabetes Management and EducationTravaux en français237 207