Digital samkonsultasjon innen psykiske helsetjenester
Bibliographic record
Abstract
Hovedbudskap\nDen systematiske oversikten fra 2019 (Totten og medarbeidere) undersøkte effekten av ulike former for telehelsekonsultasjoner ved kroniske og akutte tilstander. Vi så kun på den delen av oversikten som omhandlet psykisk helse. Resultatene viser at: \n•\tAlle programmene rapporterte bedring av kliniske utfall, slik som færre symptomer og høyere remisjonsrater etter 6 eller 12 måneder i tiltaksgruppen sammenlignet med kontrollgruppen. \n•\tDet var også bedre etterlevelse av legemiddelbruk og økt tilfredshet i tiltaksgruppen sammenlignet med kontrollgruppen. \nDen systematiske oversikten fra 2021 (Jones og medarbeidere) omhandlet digital samkonsultasjon innen fysiske og psykiske helsetjenester for barn og unge. Resultatene viser at:\n \n•\tDigital samkonsultasjon i team ble vurdert som svært nyttig av helsepersonell for å støtte klinisk praksis.\n•\tHelsepersonell var generelt sett fornøyd med prosess og effektivitet når det gjaldt digital samkonsultasjon.\n•\tDet mangler forskning på kliniske utfall for å kunne si noe mer om hvordan digital samkonsultasjon påvirker barn og unges fysiske og psykiske helse. \n•\tDigital samkonsultasjon innen helsetjenester for barn og unge er et begynnende forskningsfelt. \nMetodisk kvalitet ble vurdert i oversikten fra Jones og medarbeidere og risikoen for systematiske skjevheter var lav. Metodisk kvalitet ble ikke vurdert i oversikten til Totten og medarbeidere siden vi kun formidler resultatene fra en del av oversikten. De fleste studiene i begge oversiktene ble utført i USA, og én i Canada, og overførbarheten til norske forhold er derfor usikker.
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 | 0.006 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.287 | 0.074 |
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".