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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,005 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».