Association Between Clinician-Level Factors and Patient Outcomes in Virtual and In-Person Outpatient Treatment for Substance Use Disorders: Multilevel Analysis
Notice bibliographique
Résumé
BACKGROUND: The use of virtual treatment services increased dramatically during the COVID-19 pandemic. Unfortunately, large-scale research on virtual treatment for substance use disorder (SUD), including factors that may influence outcomes, has not advanced with the rapidly changing landscape. OBJECTIVE: This study aims to evaluate the link between clinician-level factors and patient outcomes in populations receiving virtual and in-person intensive outpatient services. METHODS: Data came from patients (n=1410) treated in a virtual intensive outpatient program (VIOP) and an in-person intensive outpatient program (IOP), who were discharged between January 2020 and March 2021 from a national treatment organization. Patient data were nested by treatment providers (n=58) examining associations with no-shows and discharge with staff approval. Empathy, comfort with technology, perceived stress, resistance to change, and demographic covariates were examined at the clinician level. RESULTS: The VIOP (β=-5.71; P=.03) and the personal distress subscale measure (β=-6.31; P=.003) were negatively associated with the percentage of no-shows. The VIOP was positively associated with discharges with staff approval (odds ratio [OR] 2.38, 95% CI 1.50-3.76). Clinician scores on perspective taking (β=-9.22; P=.02), personal distress (β=-9.44; P=.02), and male clinician gender (β=-6.43; P=.04) were negatively associated with in-person no-shows. Patient load was positively associated with discharge with staff approval (OR 1.04, 95% CI 1.02-1.06). CONCLUSIONS: Overall, patients in the VIOP had fewer no-shows and a higher rate of successful discharge. Few clinician-level characteristics were significantly associated with patient outcomes. Further research is necessary to understand the relationships among factors such as clinician gender, patient load, personal distress, and patient retention.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».