Treatment and prevention of common mental health problems: comparisons of four low-intensity interventions in a community outpatient setting
Notice bibliographique
Résumé
Objective: Low-intensity interventions based on cognitive behavioral therapy are often used to scale up treatment volumes for common mental health problems. However, mode of delivery could have implications for outcomes. Methods: This was an observational study of adults seeking treatment in a naturalistic setting of outpatient community mental health services (N = 897). Depending on their problem description, patients were allocated to four different low-intensity interventions: group psychoeducation, group therapies, guided self-help, and one-to-one consultations. Pre-to posttreatment changes on the Patient Health Questionnaire–9 (PHQ-9), Generalized Anxiety Disorder-7 (GAD-7), and Work- and Social Adjustment Scale (WSAS) were estimated using linear mixed-effects models and propensity score weighted analyses. Results: The proportion of patients achieving clinically significant change (CSC), and time used to achieve CSC varied between interventions, with guided self-help showing the highest rates of CSC (53-66%, d = 0.62-1.04) and group psychoeducation being most time-effective intervention. For subclinical patients, guided self-help had the lowest rates of reliable deterioration (0–8%). Conclusion: Low-intensity interventions within routine community mental health care have acceptable outcomes. Mode of delivery appears to be important for rates of CSC, therapist time investment, and prevention of deterioration. Future studies should investigate which low-intensity interventions work for whom.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».