Development of the Clinical High Risk for Psychosis Services Fidelity Scale (CHRPS-FS) for Team-Based Care
Notice bibliographique
Résumé
OBJECTIVE: This study aimed to develop and pilot the Clinical High Risk for Psychosis Services Fidelity Scale (CHRPS-FS). METHODS: A literature review was conducted to identify evidence-based treatments for individuals at clinical high risk for psychosis (CHRP). These findings were compared with the First-Episode Psychosis Services Fidelity Scale (FEPS-FS). Common items were retained, and others were added, modified, or deleted. Next, the Delphi process was conducted with 17 clinical and academic experts in CHRP care to determine consensus on the importance and validity of each item. Concurrently, the preliminary tool was piloted in eight coordinated specialty care (CSC) clinics serving individuals with CHRP. RESULTS: The literature review identified two components of CHRP care that were not detailed in the FEPS-FS and were added to the CHRPS-FS; furthermore, one FEPS-FS item was modified and six were removed. In the Delphi process, clinical and academic experts achieved a consensus of >80% in two rounds, with some changes in item wording and the addition of one item (stepped care approach). A CHRPS-FS assessment was successfully piloted in eight CSC clinics. The mean CHRPS-FS rating score was 3.96 (range 3.75-4.23), and the median proportion of items rated at good to high fidelity was 72% (range 66%-78%). CONCLUSIONS: The CHRP-FS is feasible to implement, has face validity based on expert consensus, can be completed in conjunction with a FEPS-FS assessment or alone, and captures variability across programs. The CHRPS-FS measures service delivery and is suitable for clinical trials, learning health care systems, and quality improvement efforts.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».