Physical health of patients with severe mental illness
Notice bibliographique
Résumé
PURPOSE: Patients with severe mental illness (SMI) treated with antipsychotic medication are at increased risk of metabolic side-effects like weight gain, diabetes mellitus and dyslipidaemia. This study aims to examine the feasibility of maintaining a physical health monitoring sheet in patients' records and its impact on physical health of patients with SMI, over a period of one year. DESIGN/METHODOLOGY/APPROACH: A physical health monitoring sheet was introduced in all the patients' records on a 15-bedded male medium secure forensic psychiatric rehabilitation unit, as a prompt to regularly monitor physical health parameters. An audit cycle was completed over a one year period. The data between baseline and re-audit were compared. FINDINGS: At baseline, 80 per cent of the patients were identified as smokers, 80 per cent had increased body mass index (BMI) and 87 per cent had raised cardiovascular risk over the next ten years. Appropriate interventions were offered to address the risks. At re-audit, the physical health monitoring sheets were up to date in 100 per cent of patients' records. The serum lipids and cardiovascular risk over the next ten years reduced over time. No significant change was noted on the parameters including BMI, central obesity, high blood pressure and smoking status. RESEARCH LIMITATIONS/IMPLICATIONS: This was a pilot study and was limited by the small sample size, male gender only and the specific nature of the ward. PRACTICAL IMPLICATIONS: There is a need for improved access to physical health care in long-stay psychiatric settings. A more robust lifestyle modification programme is required to positively influence the physical health parameters in this cohort of patients. ORIGINALITY/VALUE: Introduction of a physical health monitoring sheet in patients' records led to regular screening of cardiovascular risks and subsequent increased prescribing of hypolipidaemic agents in individuals with severe mental illness.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 ».