Technology‐enabled collaborative care for youth with early psychosis: Results of a feasibility study to improve physical health behaviours
Notice bibliographique
Résumé
AIM: Psychotic disorders are associated with excess morbidity and premature mortality. Contributing factors include tobacco smoking, low physical activity, and poor nutrition. This study tested a Technology-Enabled Collaborative Care model to improve health behaviours among youth with early psychosis. METHODS: A feasibility study among youth (ages 16-29) with early psychosis in Ontario, Canada. Participants were randomized to either a health coach supervised by a virtual care team (high intensity, n = 29), or self-directed learning (low intensity, n = 23) for 12 weeks. The primary outcome was participant engagement, defined as self-perceived benefit of changing health behaviours. Secondary outcomes were measures of health behaviours and programme-use metrics. RESULTS: Engagement was higher for high intensity participants for physical activity (adjusted group difference in change at 24 weeks = 3.4, CI95% = 1.9-4.9, p < .001) and nutrition (adjusted difference = 2.9, CI95% = 1.2-4.6, p = .001). No change was observed in health behaviours. Sixty two percent of participants completed 6 or more of the 12 weekly remote individualized health coaching sessions. Nine (39%) low intensity and 12 (41%) high intensity participants completed the final follow-up. CONCLUSIONS: Personalized health coaching for youth with psychosis is feasible and may have sustained benefits. However, retention with this population for 12 weeks is challenging.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».