MétaCan
Menu
Retour à la cohorte
Enregistrement W4308772363 · doi:10.2196/41721

Mental Health Outcomes for Youths With Public Versus Private Health Insurance Attending a Telehealth Intensive Outpatient Program: Quality Improvement Analysis

2022· article· en· W4308772363 sur OpenAlexvenueno aff
Kate Gliske, Katherine A. Berry, Jaime Ballard, Michelle Evans‐Chase, Phyllis Solomon, Caroline Fenkel

Notice bibliographique

RevueJMIR Formative Research · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineMcNemar's testMedicaidMental healthTelehealthPublic healthFamily medicineHealth careGerontologyPsychiatryTelemedicineNursing

Résumé

récupéré en direct d'OpenAlex

Background COVID-19 exacerbated a growing mental health crisis among youths and young adults, worsened by a lack of existing in-person options for high-acuity care. The emergence and growth of remote intensive outpatient programs (IOPs) is a solution to overcome geographic limitations to care. However, it remains unclear whether remote IOPs engender equivalent clinical outcomes among youths with public insurance (eg, Medicaid) versus private insurance (eg, commercial) given the disparities found in previous research on place-based treatment in both clinical and engagement outcomes. Objective This analysis sought to establish, as part of ongoing quality improvement efforts, whether engagement and clinical outcomes among adolescents and young adults attending remote IOP treatment differed between youths with public and those with private insurance. The identification of disparities by payer type was used to inform programmatic decisions within the remote IOP system for which this quality improvement analysis was conducted. Methods Pearson chi-square analyses and independent 2-tailed t tests were used to establish that the 2 groups defined by insurance type were equivalent on clinical outcomes (depression, suicidal ideation, and nonsuicidal self-injury [NSSI]) at intake and compare changes in clinical outcomes. McNemar chi-square analyses and repeated-measure 2-tailed t tests were used to assess changes in clinical outcomes between intake and discharge in the sample overall. In total, 495 clients who attended the remote IOP for youths and young adults in 14 states participated in ≥7 treatment sessions, and completed intake and discharge surveys between July 2021 and April 2022 were included in the analysis. Results Overall, the youths and young adults in the remote IOP attended a median of 91% of their scheduled group sessions (mean 85.9%, SD 16.48%) and reported significantly fewer depressive symptoms at discharge (t447=12.51; P<.001). McNemar chi-square tests of change indicated significant reductions from intake to discharge in suicidal ideation (N=470, χ21=104.4; P<.001), with nearly three-quarters of youths who reported active suicidal ideation at intake (200/468, 42.7%) no longer reporting it at discharge (142/200, 71%), and in NSSI (N=430, χ21=40.7; P<.001), with more than half of youths who reported NSSI at intake (205/428, 47.9%) reporting lower self-harm at discharge (119/205, 58%). No significant differences emerged by insurance type in attendance (median public 89%, median private 92%; P=.10), length of stay (t416=−0.35; P=.73), or reductions in clinical outcomes (depressive symptom severity: t444=−0.87 and P=.38; active suicidal ideation: N=200, χ21=0.6 and P=.49; NSSI frequency: t426=−0.98 and P=.33). Conclusions Our findings suggest that youths and young adults who participated in remote IOP had significant reductions in depression, suicidal ideation, and NSSI. Given access to the same remote high-acuity care, youths and young adults on both public and private insurance engaged in programming at comparable rates and achieved similar improvements in clinical outcomes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,013
score de la tête « metaresearch » (Gemma)0,020
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,069

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,020
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,003
Bibliométrie0,0030,005
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,180
Tête enseignante GPT0,524
Écart entre enseignants0,344 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetTelemedicine and Telehealth ImplementationTravaux en français237 207