Adherence to e-health interventions for substance use and the factors influencing it: Systematic Review, meta-analysis, and meta-regression
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
Background: Substance use disorders affect 36 million people globally, but only a small proportion of them receive the necessary treatment. E-health interventions have been developed to address this issue by improving access to substance use treatment. However, concerns about participant engagement and adherence to these interventions remain. This review aimed to evaluate adherence to e-health interventions targeting substance use and identify hypothesized predictors of adherence. Methods: A systematic review of literature published between 2009 and 2020 was conducted, and data on adherence measures and hypothesized predictors were extracted. Meta-analysis and meta-regression were used to analyze the data. The two adherence measures were (a) the mean proportion of modules completed across the intervention groups and (b) the proportion of participants that completed all modules. Four meta-regression models assessed each covariate including guidance, blended treatment, intervention duration and recruitment strategy. Results: The overall pooled adherence rate was 0.60 (95%-CI: 0.52-0.67) for the mean proportion of modules completed across 30 intervention arms and 0.47 (95%-CI: 0.35-0.59) for the proportion of participants that completed all modules across 9 intervention arms. Guidance, blended treatment, and recruitment were significant predictors of adherence, while treatment duration was not. Conclusion: The study suggests that more research is needed to identify predictors of adherence, in order to determine specific aspects that contribute to better exposure to intervention content. Reporting adherence and predictors in future studies can lead to improved meta-analyses and the development of more engaging interventions. Identifying predictors can aid in designing effective interventions for substance use disorders, with important implications for e-health interventions targeting substance use.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,014 | 0,007 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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