Effets à long terme de la thérapie cognitive-comportementale pour le trouble de stress post-traumatique
Bibliographic record
Abstract
La thérapie cognitive-comportementale (TCC) pour le trouble de stress post-traumatique (TSPT) est validée empiriquement (Forman-Hoffman et al., 2018). Toutefois, à notre connaissance, aucune revue de la littérature ne s’intéresse précisément à l’efficacité à long terme de la TCC du TSPT. Il importe pourtant de s’assurer avec une vision d’ensemble de la durabilité des gains thérapeutiques afin de vérifier si la TCC du TSPT permet d’éviter un retour des symptômes après la thérapie. Des études ont observé que les gains thérapeutiques se maintiendraient entre 6 et 20 mois après la TCC (voir, p. ex., Hembree & Foa, 2000; Kline, Cooper, Rytwinksi, & Feeny, 2018) et qu’ils pourraient même s’améliorer (Hembree & Foa, 2000). La présente revue de littérature identifie des études de traitement, des revues de littérature et des méta-analyses abordant l’efficacité à long terme d’une TCC du TSPT. Ce projet répertorie également les facteurs influençant l’efficacité à long terme d’une TCC individuelle, de groupe et par vidéoconférence. Des articles publiés entre 2010 et 2018 ont été cherchés dans les bases de données MEDLINE et PsycINFO. Deux constats se dégagent de cette revue, soit que la TCC permettrait de traiter le TSPT de façon durable et que certaines variables comme la dépression ou l’anxiété comorbide, un âge avancé, des difficultés de sommeil persistantes et le fait de tarder à aller chercher de l’aide sont associées à une moins bonne efficacité à long terme de la TCC du TSPT. Il est possible que le développement d’habiletés d’adaptation en thérapie soit un facteur de maintien et même d’amélioration des gains après la TCC.
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 | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
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".