Electronic-Screening, Brief Intervention and Referral to Treatment (e-SBIRT) for Addictive Disorders: Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Addictive disorders are significant global public health burdens. Treatment uptake with these disorders is low and outcomes can be mixed. Electronic screening, brief intervention, and referral to treatment (e-SBIRT) programs have potential to improve uptake and treatment outcomes. To date, however, no prior review of the literature has been conducted to gauge the effectiveness of e-SBIRT for addictive disorders. METHODS: We conducted a systematic review and meta-analysis of the literature concerning e-SBIRT for addictive disorders by surveying the MEDLINE, PubMed, Web of Science, Scopus, Embase, and PsycInfo databases on January 17, 2023. RESULTS: Ten articles were included at analysis reporting evaluation of e-SBIRT interventions for substance use disorders including alcohol use in a variety of settings. No articles were identified regarding treatment for behavioral addictions such as disordered/harmful gambling. Meta-analysis found e-SBIRT to be effective at reducing drinking frequency in the short term only. e-SBIRT was not found to be advantageous over control conditions for abstinence or other treatment outcomes. We identified and described common components of e-SBIRT programs and assessed the quality of available evidence, which was generally poor. CONCLUSION: The present findings suggest that research regarding e-SBIRT is concentrated exclusively on higher-risk substance use. There is a lack of consensus regarding the effectiveness of e-SBIRT for addictive disorders. Although common features exist, e-SBIRT designs are variable, which complicates identification of the most effective components. Overall, the quality of outcome evidence is low, and furthermore, high-quality experimental treatment evaluation research is needed.
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 | 0,019 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,018 | 0,036 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».