MétaCan
Menu
← Retour à la cohorte
Enregistrement W4406408177 · doi:10.1101/2025.01.14.25320533

Comparing implementation strategies for optimizing depression care: A randomized control trial

2025· preprint· en· W4406408177 sur OpenAlexaff
Nathalie Moise, Maria Serafini, Danielle A. Rojas, Jennifer Mizhquiri Barbecho, Kirali Genao, Siqin Ye, Andrea T. Duran, Joseph E. Schwartz

Notice bibliographique

RevuemedRxiv · 2025
Typepreprint
Langueen
DomainePsychology
ThématiqueMental Health Treatment and Access
Établissements canadiensKingston Health Sciences Centre
Organismes subventionnairesnon disponible
Mots-clésRandomized controlled trialDepression (economics)Control (management)PsychologyMedicineComputer scienceEconomicsInternal medicineArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract Importance Less than a third of depressed primary care patients experience clinical improvement, in part due to a lack of focus on treatment optimization (e.g., intensification). Objective To compare the impact of implementation and behavioral science informed system and multi-level strategies on population-wide treatment optimization in integrated/collaborative care model (CoCM) settings. Design Comparative effectiveness randomized controlled trial Setting 5 Primary care clinics with a mature integrated/CoCM Participants 44 primary care physicians and their patients with elevated depressive symptoms eligible for treatment optimization Exposures System-level strategy (i.e., enhanced usual care [EUC]) focused on staff and behavioral health provider (BHP) activation vs. multi-level strategy (intervention) involving BHP activation, primary care provider (PCP) behavioral support and a patient activation/psychoeducation tool (DepCare) Main outcomes and measures Patient optimization (e.g., filling a new, intensified/augmented, or previously nonadherent antidepressant and/or completing a new integrated/CoCM visit) during the 4 months following an index visit and PCP optimization (e.g., placing a referral for any integrated/CoCM service and/or initiating, intensifying, switching and/or combining antidepressant medications) at an index visit. We used multilevel logistic regression analysis (level 1 is the patient with an eligible visit, level 2 the PCP) to test our hypotheses. Odds ratios (ORs) and 95% CIs were based on these analyses. Results There were 605 eligible patients with 757 visits in the post-implementation period. The mean age was 48 (SD=17); 486 (80%) were female, 15% Black, 51% Hispanic and 32% Spanish speaking; 41% were on an antidepressant. Patient treatment optimization in the intervention vs. EUC arms was 39.1% vs. 44.9% (OR=0.78; 95% CI 0.50, 1.22, p =0.27). Pre- vs. post-implementation, patient treatment optimization increased from 30.0% to 39.1% (p=0.10) and 30.4% to 44.9% (p=0.001) in the intervention and EUC arms (p=0.22 for differential change). There were similar trends in PCP optimization behaviors. There was low fidelity to the DepCare tool. Conclusions and relevance Our study demonstrates little added benefit of a multi-level over a system-level strategy as it relates to treatment optimization, with only system-level strategies demonstrating pre-post improvements. Negative unintended impacts of multi-level, particularly clinician targeted, strategies should be explored. Key Points Question Is a theory-informed system-level strategy better than a multi-level strategy for improving population wide depression treatment optimization in integrated primary care settings? Findings In this comparative effectiveness randomized control trial of 2 implementation strategies for improving depression treatment optimization in integrated care settings, a multi-level strategy was no better than a system-level strategy for improving patient and clinician treatment optimization behaviors. Only the system-level strategy exhibited significant pre-post improvement in patient optimization. Meaning This is the first study to combine implementation and behavioral science to target treatment optimization in integrated care settings. We suggest that multi-level strategies that include clinician behavioral support may not be helpful and even harmful for improving population wide outcomes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,048

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,015
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0050,005
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,002
Science ouverte0,0020,001
Intégrité de la recherche0,0040,004
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,076
Tête enseignante GPT0,443
Écart entre enseignants0,367 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxiv→Même sujetMental Health Treatment and Access→Travaux en français237 207→