Troubles mentaux graves et abus de substances : composantes efficaces de progammes de traitements intégrés à l’intention des personnes présentant une comorbidité
Bibliographic record
Abstract
Les approches traditionnelles de soins pour patients souffrant de problèmes de comorbidité qui étaient fondées sur des traitements séquentiels ou en parallèle ont échoué dans les cas de santé mentale et d'abus de substance, ce qui a conduit au développement de programmes de traitements intégrés. Dans cet article, les auteurs définissent les traitements intégrés destinés aux patients ayant ce double diagnostic et identifient les composantes clés des programmes intégrés efficaces, y compris la pratique outreach, l'approche holistique, le partage de la prise de décision, la réduction des méfaits, l'engagement à long terme et le traitement par étapes (basé sur l'approche motivationnelle). Le concept d'étapes de traitement est décrit afin d'illustrer les différents stades de motivation vécus par les personnes à mesure qu'elles se rétablissent de leur dépendance aux substances : l'engagement, la persuasion, le traitement actif et la prévention des rechutes. Les étapes de traitement servent à guider les cliniciens dans l'identification d'objectifs de traitement appropriés à l'état de motivation des patients, et à choisir des interventions fondées sur ces objectifs. En reconnaissant le stade de traitement de chaque personne, les cliniciens peuvent optimiser les résultats en choisissant des interventions qui sont appropriées à l'état de motivation de la personne ou à l'étape de traitement et ainsi minimiser les abandons. Ces programmes intégrés diffèrent dans les services spécifiques qu'ils dispensent. Toutefois, ils partagent des éléments communs dans leur philosophie et leurs valeurs. Des recherches documentent les effets bénéfiques de ces programmes qui s'avèrent de bon augure pour le pronostic à long terme des personnes présentant une comorbidité.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".