A Community-Embedded Implementation Model for Mental-Health Interventions: Reaching the Hardest to Reach
Notice bibliographique
Résumé
The mental-health-care treatment gap remains very large in low-resource communities, both within high-income countries and globally in low- and middle-income countries. Existing approaches for disseminating psychological interventions within health systems are not working well enough, and hard-to-reach, high-risk populations are often going unreached. Alternative implementation models are needed to expand access and to address the burden of mental-health disorders and risk factors at the family and community levels. In this article, we present empirically supported implementation strategies and propose an implementation model-the community-embedded model (CEM)-that integrates these approaches and situates them within social settings. Key elements of the model include (a) embedding in an existing, community-based social setting; (b) delivering prevention and treatment in tandem; (c) using multiproblem interventions; (d) delivering through lay providers within the social setting; and (e) facilitating relationships between community settings and external systems of care. We propose integrating these elements to maximize the benefits of each to improve clinical outcomes and sustainment of interventions. A case study illustrates the application of the CEM to the delivery of a family-based prevention and treatment intervention within the social setting of religious congregations in Kenya. The discussion highlights challenges and opportunities for applying the CEM across contexts and 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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,006 | 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 ».