An integrated substance use treatment model for young adults with first‐episode psychosis: A naturalistic pilot evaluation
Notice bibliographique
Résumé
AIM: Approximately 50% of individuals with first-episode psychosis meet criteria for a substance use disorder and these concurrent disorders are associated with worse long-term outcomes. Psychosocial interventions, including motivational interviewing as well as cognitive and behavioural therapies, have shown some evidence for effective treatment in substance use disorders; however, there is a paucity of existing studies that have successfully examined these interventions in first-episode psychosis. METHODS: Participants (n = 64) received the concurrent disorders intervention, which included individual support alongside participation in at least one of two groups: a 4-week Motivational Engagement group utilizing motivational interviewing (n = 59) and an 8-week Relapse Prevention Training group emphasizing skill acquisition, which some participants entered directly (n = 5) and some participants entered following completion of the Motivational Engagement group (n = 16). RESULTS: Participants who completed the Motivational Engagement group (n = 59) demonstrated significantly increased motivation to change substance use (d = -.0.58; t = -3.02, p < .01) and significantly decreased substance use frequency (d = 0.65; t = 3.26, p < .01). For participants who completed the Relapse Prevention Training group (n = 21), substance use frequency significantly decreased (d = 0.92; t = 3.46, p < .01) and self-efficacy in one's ability to maintain substance use changes significantly increased (d = -0.85; t = -3.59, p < .01). CONCLUSIONS: This pilot evaluation suggests that motivational interviewing and relapse prevention skills training are acceptable and feasible interventions in the treatment of substance use disorders in young adults with first-episode psychosis.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».