MétaCan
Menu
Retour à la cohorte
Enregistrement W4367300483 · doi:10.3389/fpsyt.2023.1113956

Comparison of online and in-person cognitive behavioral therapy in individuals diagnosed with major depressive disorder: a non-randomized controlled trial

2023· article· en· W4367300483 sur OpenAlexaff
Nazanin Alavi, Elnaz Moghimi, Callum Stephenson, Gilmar Gutiérrez, Jasleen Jagayat, Anchan Kumar, Yijia Shao, Shadé Miller, Caitlin Yee, Anthi Stefatos, Maedeh Gholamzadehmir, Zara Abbaspour, Amirhossein Shirazi, Tessa Gizzarelli, Ferwa Khan, Charmy Patel, Archana Patel, Megan Yang, Mohsen Omrani

Notice bibliographique

RevueFrontiers in Psychiatry · 2023
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensUniversity of TorontoQueen's UniversityOptech (Canada)
Organismes subventionnairesnon disponible
Mots-clésCognitive behavioral therapyQuality of life (healthcare)Major depressive disorderRandomized controlled trialPsychologyClinical psychologyMental healthCognitive therapyCognitionMedicinePsychotherapistPsychiatryPhysical therapy

Résumé

récupéré en direct d'OpenAlex

Objective The increased prevalence of major depressive disorder (MDD) amid the COVID-19 pandemic has resulted in substantial growth in online mental health care delivery. Compared to its in-person counterpart, online cognitive behavioral therapy (e-CBT) is a time-flexible and cost-effective method of improving MDD symptoms. However, how its efficacy compares to in-person CBT is yet to be explored. Therefore, the current study compared the efficacy of a therapist-supported, electronically delivered e-CBT program to in-person therapy in individuals diagnosed with MDD. Methods Participants (n = 108) diagnosed with MDD selected either a 12 week in-person CBT or an asynchronous therapist-supported e-CBT program. E-CBT participants (n = 55) completed weekly interactive online modules delivered through a secure cloud-based online platform (Online Psychotherapy Tool; OPTT). These modules were followed by homework in which participants received personalized feedback from a trained therapist. Participants in the in-person CBT group (n = 53) discussed sessions and homework with their therapists during one-hour weekly meetings. Program efficacy was evaluated using clinically validated symptomatology and quality of life questionnaires. Results Both treatments yielded significant improvements in depressive symptoms and quality of life from baseline to post-treatment. Participants who opted for in-person therapy presented significantly higher baseline symptomatology scores than the e-CBT group. However, both treatments demonstrated comparable significant improvements in depressive symptoms and quality of life from baseline to post-treatment. e-CBT seems to afford higher participant compliance as dropouts in the e-CBT group completed more sessions on average than those in the in-person CBT group. Conclusion The findings support e-CBT with therapist guidance as a suitable option to treat MDD. Future studies should investigate how treatment accessibility is related to program completion rates in the e-CBT vs. in-person group. Clinical Trial Registration ClinicalTrials.Gov Protocol Registration and Results System (NCT04478058); clinicaltrials.gov/ct2/show/NCT04478058 .

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)0,003
score de la tête « metaresearch » (Gemma)0,006
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 seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,006
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0050,003
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0030,003
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 Opus0,029
Tête enseignante GPT0,394
Écart entre enseignants0,365 · 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

Citations32
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in PsychiatryMême sujetDigital Mental Health InterventionsTravaux en français237 207