Digital Contingency Management for Substance Use Disorder Treatment: 12-Month Quasi-Experimental Design
Notice bibliographique
Résumé
Background: Although contingency management has shown some efficacy in substance use disorder treatment, digital contingency management (DCM) needs more evidence supporting its value in treating substance misuse. Objective: This study aimed to evaluate the effectiveness of DCM in treating substance use disorder by examining 2 key outcome variables-abstinence and appointment attendance. Methods: A 12-month quasi-experimental design was conducted by enrolling patients into 2 groups using an alternating assignment process: one group receiving treatment-as-usual plus DCM and the other receiving treatment as usual with no contingency management. Propensity score matching was conducted to match groups on covariates. After matching, t tests were conducted to examine the difference between groups on urine abstinence and appointment attendance rates. Results: Two cohorts of propensity-matched patients (66 interventions and 59 controls) were analyzed. Abstinence was significantly higher in the DCM group (mean 0.92, 95% CI 0.88-0.96) than in the treatment-as-usual group (mean 0.85, 95% CI 0.79-0.90; P<.01). Appointment attendance also demonstrated significant differences between the groups, with the DCM group achieving a mean rate of 0.69 (95% CI 0.65-0.74) compared with 0.50 (95% CI 0.45-0.55) in the treatment-as-usual group (P<.001). This notable increase highlights the role of DCM in fostering engagement with care, an essential factor for successful treatment outcomes. Conclusions: The results suggest that DCM can be an effective treatment modality for substance use disorder.
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 | 0,015 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
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 ».