Digital cognitive behavioral therapy vs education for pain in adults with sickle cell disease
Notice bibliographique
Résumé
ABSTRACT: Despite the burden of chronic pain in sickle cell disease (SCD), nonpharmacological approaches remain limited. This multisite, randomized trial compared digital cognitive behavioral therapy (CBT) with a digital pain/SCD education program ("Education") for managing pain and related symptoms. Participants were recruited virtually from seven SCD centers and community organizations in the United States. Adults (aged ≥18 years) with SCD-related chronic pain and/or daily opioid use were assigned to receive either CBT or Education for 12 weeks. Both groups used an app with interactive chatbot lessons and received personalized health coach support. The primary outcome was the change in pain interference at six months, with secondary outcomes including pain intensity, depression, anxiety, quality of life, and self-efficacy. Of 453 screened participants, 359 (79%) were randomized to CBT (n = 181) or Education (n = 178); 92% were Black African American, and 66.3% were female. At six months, 250 participants (70%) completed follow-up assessments, with 16 (4%) withdrawals. Engagement with the chatbot varied, with 76% connecting and 48% completing at least one lesson, but 80% of participants completed at least one health coach session. Both groups showed significant within-group improvements in pain interference (CBT: -2.13; Education: -2.66), but no significant difference was observed between them (mean difference, 0.54; P = .57). There were no between-group differences in pain intensity, depression, anxiety, or quality of life. High engagement with health coaching and variable engagement with digital components may explain the similar outcomes between interventions in this diverse, hard-to-reach population.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».