MétaCan
Menu
Retour à la cohorte
Enregistrement W4322500801 · doi:10.3390/ijerph20054215

Text4PTSI: A Promising Supportive Text Messaging Program to Mitigate Psychological Symptoms in Public Safety Personnel

2023· article· en· W4322500801 sur OpenAlexaff
Gloria Obuobi-Donkor, Reham Shalaby, Ejemai Eboreime, Belinda Agyapong, Natalie Phung, Scarlett Eyben, Kristopher Wells, Carla Hilario, Raquel da Luz Dias, Chelsea Jones, Suzette Brémault‐Phillips, Yanbo Zhang, Andrew J. Greenshaw, Vincent I. O. Agyapong

Notice bibliographique

RevueInternational Journal of Environmental Research and Public Health · 2023
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensUniversity of British Columbia, Okanagan CampusUniversity of British ColumbiaMacEwan UniversityAlberta Health ServicesUniversity of AlbertaDalhousie University
Organismes subventionnairesnon disponible
Mots-clésAnxietyPsychological interventionMental healthGeneralized anxiety disorderPatient Health QuestionnaireChecklistDepression (economics)Clinical psychologySafety behaviorsMedicinePsychiatryPublic healthPsychological resiliencePsychologyPoison controlSuicide preventionNursingMedical emergencyDepressive symptoms

Résumé

récupéré en direct d'OpenAlex

Background: Public safety personnel experience various mental health conditions due to their work’s complex and demanding nature. There are barriers to seeking support and treatment; hence, providing innovative and cost-effective interventions can help improve mental health symptoms in public safety personnel. Objective: The study aimed to evaluate the impact of Text4PTSI on depression, anxiety, trauma, and stress-related symptoms, and the resilience of public safety personnel after six months of providing supportive text message intervention. Methods: Public safety personnel subscribed to Text4PTSI and received daily supportive and psychoeducational SMS text messages for six months. Participants were invited to complete standardized self-rated web-based questionnaires to assess depression, anxiety, posttraumatic stress disorder (PTSD), and resilience symptoms measured on the Patient Health Questionnaire-9 (PHQ-9), Generalized Anxiety Disorder-7 scale (GAD-7), Posttraumatic Stress Disorder Checklist-Civilian Version (PCL-C), and the Brief Resilience Scale (BRS), respectively. The assessment of mental health conditions was conducted at baseline (enrolment) and six weeks, three months, and six months after enrollment. Results: One hundred and thirty-one subscribers participated in the Text4PTSI program, and eighteen completed both the baseline and any follow-up survey. A total of 31 participants completed the baseline survey and 107 total surveys were recorded at all follow-up time points. The baseline prevalence of psychological problems among public safety personnel were as follows: likely major depressive disorder (MDD) was 47.1%, likely generalized anxiety disorder (GAD) was 37.5%, low resilience was 22.2%, and likely PTSD was 13.3%. At six months post-intervention, the prevalence of likely MDD, likely GAD, and likely PTSD among respondents reduced; however, a statistically significant reduction was reported only for likely MDD (−35.3%, X2 (1) = 2.55, p = 0.03). There was no significant change in the prevalence of low resilience between baseline and post-intervention. There was a decrease in the mean scores on the PHQ-9, GAD-7, PCL-C, and the BRS from baseline to post-intervention by 25.8%, 24.7%, 9.5%, and 0.3%, respectively. However, the decrease was only statistically significant for the mean change in GAD-7 scores with a low effect size (t (15) = 2.73, p = 0.02). Conclusions: The results of this study suggest a significant reduction in the prevalence of likely MDD as well as the severity of anxiety symptoms from baseline to post-intervention for subscribers of the Text4PTSI program. Text4PTSI is a cost-effective, convenient, and easily scalable program that can augment other services for managing the mental health burdens of public safety personnel.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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 Opus0,143
Tête enseignante GPT0,494
Écart entre enseignants0,351 · 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'étudeEssai non randomisé
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

Citations16
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Environmental Research and Public HealthMême sujetDigital Mental Health InterventionsTravaux en français237 207