MétaCan
Menu
← Retour à la cohorte
Enregistrement W4413300908 · doi:10.7759/cureus.90395

Standard Versus Enhanced Measurement-Based Care Effectiveness for Depression (EMBED): Protocol for a Cluster Randomized Implementation-Effectiveness Trial

2025· article· en· W4413300908 sur OpenAlexafffund
Raymond W. Lam, Erin E. Michalak, Jill Murphy, Heather Colquhoun, Chee H. Ng, Larry Culpepper, Carolyn S. Dewa, Andrew J. Greenshaw, Yanling He, Sidney H. Kennedy, Xin‐Min Li, Jing Liu, Tianli Liu, Sagar V. Parikh, Claudio N. Soares, Zuowei Wang, Yifeng Xu, Jun Chen

Notice bibliographique

RevueCureus · 2025
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensQueen's UniversityUniversity of TorontoUniversity of AlbertaToronto Rehabilitation InstituteSt. Francis Xavier UniversityCanadian Association of Nurses in OncologyUniversity of British Columbia
Organismes subventionnairesCilagH. Lundbeck A/SNational Health and Medical Research CouncilPfizerServierMedical Research CouncilEisaiSoutheastern Ontario Academic Medical OrganizationSunovionAllerganEli Lilly and Company
Mots-clésMedicineProtocol (science)Randomized controlled trialDepression (economics)Cluster randomised controlled trialCluster (spacecraft)Physical therapyAlternative medicineInternal medicinePathologyComputer network

Résumé

récupéré en direct d'OpenAlex

Background: Measurement-based care (MBC) is an evidence-based practice that incorporates routine outcome assessment using validated rating scales to guide collaborative clinical decision-making. Although MBC results in improved outcomes for patients with major depressive disorder (MDD), there are barriers to its broad implementation in clinical settings. The use of “enhanced” MBC (eMBC), with mobile apps that allow patients to track outcomes and engage in self-management via WeChat, may address some of these barriers. We hypothesize that implementation with eMBC using WeChat will be superior to standard MBC implementation using paper-pencil assessments at the clinic, for both implementation and clinical outcomes. Methods: We present a trial protocol (clinicaltrials.gov NCT05527951) for a two-arm cluster randomized clinical trial (RCT) with a hybrid implementation-effectiveness design comparing standard MBC implementation versus eMBC implementation with a six-month follow-up in 12 mental health centers in Shanghai, China. The eMBC implementation uses a WeChat mini-program that includes outcome tracking using brief questionnaires and self-management lessons supplemented with support by a lay coach via WeChat. Results: A total of 240 physicians and 1200 patients from the 12 mental health centers will be enrolled in the mixed-methods outcome analysis. The primary implementation outcome is implementation reach, defined as the proportion of eligible patients with a PHQ-9 score recorded in the hospital chart at six months after MBC implementation. The primary clinical outcome is clinical remission, defined as a PHQ-9 score of 4 or less at the six-month follow-up. Other implementation and clinical outcomes will be examined, including medication adherence, doctor-patient alliance, and a piggy-back cost-benefit economic analysis. Qualitative interviews will be conducted with physicians and patients to produce an interpretive account of the contextual factors that impact eMBC implementation. Conclusions: The results of this hybrid implementation-effectiveness cluster RCT will inform implementation of eMBC with WeChat mobile apps for patients with depression in other clinical settings in China and internationally.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,055
score de la tête « metaresearch » (Gemma)0,055
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Protocole · Signal consensuel: Protocole
Score de désaccord entre enseignants0,092
Score d'incertitude au seuil0,306

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0550,055
Méta-épidémiologie (sens strict)0,0080,004
Méta-épidémiologie (sens large)0,0110,008
Bibliométrie0,0030,004
Études des sciences et des technologies0,0040,004
Communication savante0,0050,005
Science ouverte0,0040,003
Intégrité de la recherche0,0080,009
Charge utile insuffisante (le modèle a refusé de juger)0,0920,012

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.

Tête enseignante Opus0,071
Tête enseignante GPT0,509
Écart entre enseignants0,438 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai randomisé
Domainenon disponible
GenreProtocole

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCureus→Même sujetDigital Mental Health Interventions→Travaux en français237 207→