Using machine learning to increase access to and engagement with trauma‐focused interventions for posttraumatic stress disorder
Notice bibliographique
Résumé
BACKGROUND: Post-traumatic stress disorder (PTSD) poses a global public health challenge. Evidence-based psychotherapies (EBPs) for PTSD reduce symptoms and improve functioning (Forbes et al., Guilford Press, 2020, 3). However, a number of barriers to access and engagement with these interventions prevail. As a result, the use of EBPs in community settings remains disappointingly low (Charney et al., Psychological Trauma: Theory, Research, Practice, and Policy, 11, 2019, 793; Richards et al., Community Mental Health Journal, 53, 2017, 215), and not all patients who receive an EBP for PTSD benefit optimally (Asmundson et al., Cognitive Behaviour Therapy, 48, 2019, 1). Advancements in artificial intelligence (AI) have introduced new possibilities for increasinfg access to and quality of mental health interventions. AIMS: The present paper reviews key barriers to accessing and engaging in EBPs for PTSD, discusses current applications of AI in PTSD treatment and provides recommendations for future AI integrations aimed at reducing barriers to access and engagement. DISCUSSION: We propose that AI may be utilized to (1) assess treatment fidelity; (2) elucidate novel predictors of treatment dropout and outcomes; and (3) facilitate patient engagement with the tasks of therapy, including therapy practice. Potential avenues for technological advancements are also considered.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».