Two decades of metacognitive training for psychosis: successes, setbacks, and innovations
Notice bibliographique
Résumé
INTRODUCTION: Schizophrenia is among the most debilitating mental health conditions. While antipsychotic medication represents the primary pillar of treatment, guidelines now also recommend psychotherapy. Metacognitive Training (MCT) has emerged over the past 20 years as a novel approach that addresses the cognitive biases involved in the pathogenesis of schizophrenia. MCT seeks to enhance patients' awareness of their cognitive distortions and reduce overconfidence. MCT is available in individual and group formats. AREAS COVERED: This review provides a comprehensive overview of MCT, detailing its theoretical foundations, development, and implementation. The authors present meta-analyses demonstrating its efficacy in improving positive symptoms as well as negative symptoms and self-esteem. Lastly, the review covers the integration of the COGITO app to support MCT. For our narrative review we searched data bases including PubMed, Web of Science, EMBASE, PsycINFO, and MEDLINE. EXPERT OPINION: MCT represents a significant advance in the treatment of schizophrenia, offering a flexible, low-threshold intervention that can be easily implemented in various clinical settings. The training's focus on metacognitive processes provides patients with tools to understand and manage their symptoms. Future research should seek to develop shortened as well as more personalized versions and investigate the long-term sustainability of the effects.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| 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 ».