Global mental health commentary: using innovation to create a workforce to deliver and implement culturally adapted CBT in Pakistan
Notice bibliographique
Résumé
Most low- and middle-income countries (LMICs) have poor or non-existent mental healthcare. Many of LMIC countries allocate less than 1% of their health budgets to addressing mental illness, making large-scale public health interventions not a practical option, at least for the foreseeable future. Psychiatric services are limited to large urban centres, and mental health literacy is low. There is increasing international recognition of the need to build capacity to strengthen mental health systems in LMICs.The aim of this paper is to offer a reflective commentary on our research undertaken over 15 years in Pakistan psychiatric services to create a workforce and culturally adapted cognitive behaviour therapy (CBT) model for LMICs that works for diverse communities served. The exemplar of our work discussed in this article can be used as lessons for developing mental health therapies for LMICs and other countries with diverse communities globally. Our discussion is based largely, if not, on all aspects describing the key barriers and facilitators to implementation of a workable culturally adapted CBT model for use in Pakistan or any similar LMICs. We report on the implementation of culturally adapted CBT in Pakistan over the past 15 years to improve the identified gaps in evidence. We also highlight the successful dissemination strategies our group employed for successful adaption and implementation.
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 | 0,020 | 0,093 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,011 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,034 | 0,035 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».