eHealth Interventions to Treat Substance Use in Pregnancy: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Substance use during pregnancy is associated with adverse pregnancy and neonatal outcomes; eHealth interventions offer a potential accessible treatment option. The objective of this systematic review and meta-analysis was to evaluate the effectiveness of eHealth interventions for the treatment of substance use during pregnancy. A comprehensive search of PsycINFO, Medline, CINAHL, Cochrane and Embase databases was conducted from May 2020 to April 2021. The protocol for this study was registered with Prospero (CRD42020205186) through the University of York Centre for Reviews and Dissemination. Two independent reviewers completed screening, data extraction, and quality assessment. RCTs were included if they reported: (a) administration of an eHealth intervention for (b) substance use outcomes, among (c) pregnant individuals. Comprehensive Meta-Analysis Software (CMA) was used to calculate pooled effect sizes (Odds Ratio) to determine the effect of eHealth interventions on substance use outcomes. Six studies were identified with substance use outcomes that included: smoking (n = 3), alcohol (n = 2), and other (n = 1). eHealth interventions were delivered through the internet (n = 1), computer (n = 3), telephone (n = 1), and text (n = 1). Results suggested that eHealth interventions significantly reduced substance use in pregnant individuals compared to controls (OR = 1.33, 95% CI = 1.06 to 1.65, p = 0.013). eHealth interventions offer a promising and accessible treatment option to reduce substance use during pregnancy. This work was supported by the generous donors of the Alberta Children’s Hospital Foundation, the Canadian Child Health Clinician Scientist Program (CCHCSP), the Canadian Institute of Health Research and the Fonds de Recherche du Québec—Santé.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».