Technology for advancing behavioral health integration: implications for behavioral health practice and policy
Notice bibliographique
Résumé
Behavioral health integration (BHI) encompasses the integration of general health, mental health, and substance use care. BHI has promise for healthcare improvement, yet several challenges limit its uptake and successful implementation. Translational Behavioral Medicine published the Continuum-Based Framework by Goldman et al., 2020 to create comprehensive guidance for BHI within primary care settings. Technology can help advance BHI and provide evidence to support it. This commentary describes challenges and illustrative use cases in which technology solutions help organizations achieve BHI through the Continuum-Based Framework domains. Two rounds of semi-structured interviews with field leaders, practice sites, and technology stakeholders identified key barriers in BHI amenable to technology solutions, applications of technologies, and how they facilitate BHI. Findings showed that technology can facilitate the implementation and scaling of BHI by reducing care fragmentation and improving patient engagement, accountability and financial sustainability, provider experience and support, and equitable access to culturally competent care. Continued efforts by stakeholders to address legacy policy and implementation issues (e.g. incentives, investment, privacy, and workforce) are needed to optimize the impact of technology on BHI.
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 | 0,079 | 0,149 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,008 | 0,025 |
| Communication savante | 0,017 | 0,029 |
| Science ouverte | 0,004 | 0,014 |
| Intégrité de la recherche | 0,024 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
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 ».