Initial findings on RESTORE for healthcare workers: an internet-delivered intervention for COVID-19-related mental health symptoms
Notice bibliographique
Résumé
Many healthcare workers on the frontlines of the COVID-19 pandemic are experiencing clinical levels of mental health symptoms. Evidence-based interventions to address these symptoms are urgently needed. RESTORE (Recovering from Extreme Stressors Through Online Resources and E-health) is an online guided transdiagnostic intervention including cognitive-behavioral interventions. It was specifically designed to improve symptoms of anxiety, depression, and posttraumatic stress disorder (PTSD) associated with COVID-19-related traumatic and extreme stressors. The aims of the present study were to assess the feasibility, acceptability, and initial efficacy of RESTORE in healthcare workers on the frontline of the COVID-19 pandemic. We conducted an initial uncontrolled trial of RESTORE in 21 healthcare workers who were exposed to COVID-19-related traumatic or extremely stressful experiences in the context of their work and who screened positive for clinical levels of anxiety, depression, and/or PTSD symptoms. RESTORE was found to be feasible and safe, and led to statistically significant and large effect size improvements in anxiety, depression, and PTSD symptoms over the course of the intervention through follow-up. RESTORE has the potential to become a widely disseminable evidence-based intervention to address mental health symptoms associated with mass traumas.Clinical Trials Registration: This trial was registered with ClinicalTrials.gov ID: NCT04873622.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 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 ».