What’s in a name? A data-driven method to identify optimal psychotherapy classifications to advance treatment research on co-occurring PTSD and substance use disorders
Notice bibliographique
Résumé
Background/Objective: The present study leveraged the expertise of an international group of posttraumatic stress and substance use disorder (PTSD+SUD) intervention researchers to identify which methods of categorizing interventions which target SUD, PTSD, or PTSD+SUD for populations with both PTSD+SUD may be optimal for advancing future systematic reviews, meta-analyses, and comparative effectiveness studies which strive to compare effects across a broad variety of psychotherapy types. Method: A two-step process was used to evaluate the categorization terminology. First, we searched the literature for pre-existing categories of PTSD+SUD interventions from PTSD+SUD clinical trials, systematic and literature reviews. Then, we surveyed international trauma and substance use subject matter experts about their opinions on pre-existing intervention categorization and ideal categorization nomenclature. Results: = 27) revealed that interventions for PTSD+SUD can be classified in many ways that appear to overlap highly with one another. Many experts (11/27; 41%) selected the categories of 'trauma-focused and non-trauma focused' as an optimal way to distinguish treatment types. Although several experts reinforced this point during the subsequent meeting, it became clear that no method of categorizing treatments is without flaws. Conclusion: One possible categorization (trauma-focused/non-trauma focused) was identified. Revised language and nomenclature for classification of PTSD+SUD treatments are needed in order to accommodate the needs of this advancing field.
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 | 0,216 | 0,469 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,013 |
| Bibliométrie | 0,022 | 0,019 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,006 | 0,008 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,003 |
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 ».