Evaluation of Singapore’s Early Psychosis Intervention Programme (EPIP) using the First Episode Psychosis Services Fidelity Scale (FEP-FS)
Notice bibliographique
Résumé
Background: Fidelity assessments are crucial for ensuring evidence-based delivery of first episode psychosis (FEP) services. The First Episode Psychosis Services Fidelity Scale (FEPS-FS) is a validated tool for evaluating FEP programs, but its application in Asian contexts remains unexplored. This study applies and adapts the FEPS-FS to evaluate Singapore’s Early Psychosis Intervention Programme (EPIP) in 2024, examining its contextual applicability within Singapore’s healthcare framework. Methods: Fidelity was assessed at EPIP through program data analysis, health record reviews, and interviews with staff, patients, and families. Three evaluators scored 37 items on a 5-point scale, with ratings determined by consensus. Two items were selectively added from an earlier FEPS-FS version to address local contexts. Items rated ≤3 indicated areas needing attention. The FRAME methodology documented adaptations for local challenges, particularly in weight management and substance use interventions. Results: EPIP demonstrated high fidelity to evidence-based FEP practices, particularly in program structure and clinical processes. Twenty items achieved maximum ratings, including team integration, family engagement, and clozapine adherence. Lower ratings (≤3) identified gaps in participant ratios, psychiatrist caseload, and medication practices. Five items, primarily related to psychological and occupational therapies and substance use interventions, were unscored due to documentation differences, highlighting the need for tailored adaptations. Conclusion: This study demonstrates EPIP’s strong adherence to evidence-based practices while highlighting areas for improvement, particularly in resource allocation and documentation. The findings underscore the need for culturally sensitive adaptations of fidelity measures and innovative solutions to address challenges in early psychosis services within Asian healthcare systems. Future research should focus on developing structured documentation systems that balance standardization with personalized care, and explore strategies to enhance metabolic health interventions and substance use management in the local context.
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 | 0,035 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».