An Investigation of Further Strategies to Optimize Early Treatment Gains in Brief Therapies for Insomnia
Notice bibliographique
Résumé
Objectives Identifying those who are most (and least) likely to benefit from a stepped-care approach to cognitive behavioral therapy for insomnia (CBT-I) increases access to insomnia therapies while minimizing resource consumption. The present study investigates non-targeted factors in a single-session of CBT-I that may act as barriers to early response and remission.Methods Participants (N = 303) received four sessions of CBT-I and completed measures of subjective insomnia severity, fatigue, sleep-related beliefs, treatment expectations, and sleep diaries. Subjective insomnia severity and sleep diaries were completed between each treatment session. Early response was defined as a 50% reduction in Insomnia Severity Index (ISI) scores and early remission was defined by < 10 on the ISI after the first session.Results A single-session of CBT-I significantly reduced subjective insomnia severity scores and diary total wake time. Logistic regression models indicated that lower baseline fatigue was associated with increased odds of early remission (B = −.05, p = .02), and lower subjective insomnia severity (B = −.13, p = .049). Only fatigue was a significant predictor of early treatment response (B = −.06, p = .003)Conclusions Fatigue appeared to be an important construct that dictates early changes in perceived insomnia severity. Beliefs about the relationship between sleep and daytime performance may hinder perceived improvements in insomnia symptoms. Incorporating fatigue management strategies and psychoeducation about the relationship between sleep and fatigue may target non-early responders. Future research would benefit from further profiling potential early insomnia responders/remitters.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».