An examination of the temporal and geographical patterns of psychiatric emergency service use by multiple visit patients as a means for their early detection
Notice bibliographique
Résumé
BACKGROUND: Frequent users of the psychiatric emergency service (PES) place a heavy burden upon the mental health care delivery system. The aim of this study was to identify distinct temporal or geographical patterns of PES use by these patients as potential markers for their early detection. METHODS: Diagnostic profiles were obtained for patients making an intermediate (4 to 10) or a high (11 or more) number of visits to a general hospital PES in Montreal (Canada) between 1985 and 2004. Between-group comparisons were made with regards to several parameters. These included the time intervals between consecutive visits, visit clustering (single, repeating, and the time interval to the first cluster) and visits made to three other services where data was similarly acquired from 2002 to 2004. RESULTS: The two multiple visit groups differed with regards to diagnostic profiles and actual time between consecutive visits (significantly shorter in patients with 11 or more visits). Patients with 11 or more visits were more likely to have a single cluster (3 or more visits/3 months) or repeating clusters (4 visits/3 months) in their patterns of use. Personality disorders were more prevalent in patients with single clusters as they were, along with schizophrenia, in those with repeating clusters. In addition, clusters were found to occur sufficiently early so as to be potentially useful as markers for early detection. Ten percent of those with 11 or more visits and 16% of those with an intermediate number of visits frequented at least one other PES. A small number of patients, primarily those with substance abuse, made over 50% of their visits to other services. CONCLUSION: Temporal and geographical patterns of use differed significantly between the multiple visit groups. These patterns, combined with distinct diagnostic profiles, could potentially lead to the more rapid identification and treatment of specific sub-groups of multiple visit patients.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».