Effects of a Digital Therapeutic Adjunct to Eating Disorder Treatment on Health Care Service Utilization and Clinical Outcomes: Retrospective Observational Study Using Electronic Health Records
Notice bibliographique
Résumé
BACKGROUND: The need for scalable solutions facilitating access to eating disorder (ED) treatment services that are efficient, effective, and inclusive is a major public health priority. Remote access to synchronous and asynchronous support delivered via health apps has shown promise, but results are so far mixed, and there are limited data on whether apps can enhance health care utilization. OBJECTIVE: This study aims to examine the effects of app-augmented treatment on clinical outcomes and health care utilization for patients receiving treatment for an ED in outpatient and intensive outpatient levels of care. METHODS: Recovery Record was implemented in outpatient and intensive outpatient services in a California-based health maintenance organization. We examined outcomes for eligible patients with ED by comparing clinical and service utilization medical record data over a 6-month period after implementation with analogous data for the control group in the year prior. We used a logistic regression model and inverse-weighted estimates of the probability of treatment to adjust for treatment selection bias. RESULTS: App-augmented treatment was associated with a significant decrease in emergency department visits (P<.001) and a significant increase in outpatient treatment utilization (P<.001). There was a significantly larger weight gain for patients in low-weight categories (ie, underweight, those with anorexia, or those with severe anorexia) with app-augmented treatment (treatment effect: 0.74, 0.25, and 0.35, respectively; P=.02), with a greater percentage of patients moving into a higher BMI class (P=.01). CONCLUSIONS: Integrating remote patient engagement apps into ED treatment plans can have beneficial effects on both clinical outcomes and service utilization. More research should be undertaken on long-term efficacy and cost-effectiveness to further explore the impact of digital health interventions in ED 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 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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».