MétaCan
Menu
Retour à la cohorte
Enregistrement W4388916029 · doi:10.2196/53293

Evaluating Clinical Outcomes in Patients Being Treated Exclusively via Telepsychiatry: Retrospective Data Analysis

2023· article· en· W4388916029 sur OpenAlexvenueno aff
Cheryl Person, Nicola O'Connor, L. A. Koehler, Kartik Venkatachalam, Georgia Gaveras

Notice bibliographique

RevueJMIR Formative Research · 2023
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTelepsychiatryMedicineAnxietyDepression (economics)Generalized anxiety disorderPatient Health QuestionnairePsychiatryInternal medicineTelemedicineHealth careDepressive symptoms

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Depression and anxiety are highly prevalent conditions in the United States. Despite the availability of suitable therapeutic options, limited access to high-quality psychiatrists represents a major barrier to treatment. Although telepsychiatry has the potential to improve access to psychiatrists, treatment efficacy in the telepsychiatry model remains unclear. OBJECTIVE: Our primary objective was to determine whether there was a clinically meaningful change in 1 of 2 validated outcome measures of depression and anxiety-the Patient Health Questionnaire-8 (PHQ-8) or the Generalized Anxiety Disorder-7 (GAD-7)-after receiving at least 8 weeks of treatment in an outpatient telepsychiatry setting. METHODS: We included treatment-seeking patients enrolled in a large outpatient telepsychiatry service that accepts commercial insurance. All analyzed patients completed the GAD-7 and PHQ-8 prior to their first appointment and at least once after 8 weeks of treatment. Treatments included comprehensive diagnostic evaluation, supportive psychotherapy, and medication management. RESULTS: In total, 1826 treatment-seeking patients were evaluated for clinically meaningful changes in GAD-7 and PHQ-8 scores during treatment. Mean treatment duration was 103 (SD 34) days. At baseline, 58.8% (1074/1826) and 60.1% (1097/1826) of patients exhibited at least moderate anxiety and depression, respectively. In response to treatment, mean change for GAD-7 was -6.71 (95% CI -7.03 to -6.40) and for PHQ-8 was -6.85 (95% CI -7.18 to -6.52). Patients with at least moderate symptoms at baseline showed a 45.7% reduction in GAD-7 scores and a 43.1% reduction in PHQ-8 scores. Effect sizes for GAD-7 and PHQ-8, as measured by Cohen d for paired samples, were d=1.30 (P<.001) and d=1.23 (P<.001), respectively. Changes in GAD-7 and PHQ-8 scores correlated with the type of insurance held by the patients. Greatest reductions in scores were observed among patients with commercial insurance (45% and 43.9% reductions in GAD-7 and PHQ-8 scores, respectively). Although patients with Medicare did exhibit statistically significant reductions in GAD-7 and PHQ-8 scores from baseline (P<.001), these improvements were attenuated compared to those in patients with commercial insurance (29.2% and 27.6% reduction in GAD-7 and PHQ-8 scores, respectively). Pairwise comparison tests revealed significant differences in treatment responses in patients with Medicare versus commercial insurance (P<.001). Responses were independent of patient geographic classification (urban vs rural; P=.48 for GAD-7 and P=.07 for PHQ-8). The finding that treatment efficacy was comparable among rural and urban patients indicated that telepsychiatry is a promising approach to overcome treatment disparities that stem from geographical constraints. CONCLUSIONS: In this large retrospective data analysis of treatment-seeking patients using a telepsychiatry platform, we found robust and clinically significant improvement in depression and anxiety symptoms during treatment. The results provide further evidence that telepsychiatry is highly effective and has the potential to improve access to psychiatric care.

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)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,320
Tête enseignante GPT0,628
Écart entre enseignants0,308 · 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'étudeObservationnel
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

Citations9
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetDigital Mental Health InterventionsTravaux en français237 207