Technology-Based Psychotherapeutic Interventions for Decreasing Cannabis Use in People with Psychosis: A Systematic Review Update
Notice bibliographique
Résumé
Cannabis use is highly prevalent in people with psychotic disorders and is associated with adverse outcomes. We updated our 2020 systematic review related to the efficacy of technology-based psychological interventions (TBPIs) to decrease cannabis use in individuals with psychosis, the design of TBPIs, and their acceptability. We searched Medline, PubMed, Embase, CINAHL, PsycINFO, and EMB Reviews for references indexed between November 27, 2019, and July 27, 2023, and used the PRISMA guidelines to report the results. We screened 5083 unique records and retained three studies for the narrative synthesis. Two quantitative studies showed promising results of internet or virtual reality-based psychological interventions that incorporate cognitive behavioral therapy, motivational interviewing, and psychoeducation principles on the frequency and quantity of cannabis use. A qualitative exploratory study provided an integrative synthesis of patient and clinician opinions pertaining to the use of psychological approaches and technology to tackle cannabis misuse in individuals with psychosis. In contradiction with the rapidly expanding mobile-health solutions in the field of mental health, there is a dearth of research related to the use of internet and app-based psychological interventions for cannabis use in individuals with psychosis. The use of qualitative research is pivotal in the development of TBPIs. Our initial review and its update show that only 11 peer-reviewed journal articles that met our inclusion criteria have been published so far.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».