Disengagement from early psychosis intervention services: an observational study informed by a survey of patient and family perspectives
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Approximately one-third of patients with early psychosis disengage from services before the end of treatment. We sought to understand patient and family perspectives on early psychosis intervention (EPI) service engagement and use these findings to elucidate factors associated with early disengagement, defined as dropout from EPI in the first 9 months. Patients aged 16-29 referred to a large EPI program between July 2018-February 2020 and their family members were invited to complete a survey exploring facilitators and barriers to service engagement. A prospective chart review was conducted for 225 patients consecutively enrolled in the same EPI program, receiving the NAVIGATE model of coordinated specialty care, between July 2018-May 2019. We conducted a survival analysis, generating Kaplan-Meier curves depicting time to disengagement and Cox proportional hazards models to determine rate of disengagement controlling for demographic, clinical, and program factors. The survey was completed by 167 patients and 79 family members. The top endorsed engagement facilitator was related to the therapeutic relationship in both patients (36.5%) and families (43.0%). The top endorsed barrier to engagement was medication side effects in both patients (28.7%) and families (39.2%). In Cox proportional hazards models, medication nonadherence (HR = 2.37, 95% CI = 1.17-4.80) and use of individual psychotherapy (HR = .460, 95% CI = 0.220-0.962) were associated with early disengagement, but some of the health equity factors expected to affect engagement were not. Findings suggest that delivery of standardized treatment may buffer the effects of health disparities on service disengagement in early 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.
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 | 0,000 | 0,000 |
| 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 découle