What Determines Compulsory Community Treatment? A Logistic Regression Analysis Using Linked Mental Health and Offender Databases
Notice bibliographique
Résumé
OBJECTIVE: Western Australia has one of the highest published rates of the use of compulsory treatment orders in the English-speaking world. Differences in patient characteristics, legislation and service setting may explain variations in the reported efficacy of compulsory community treatment. Our objective is to investigate predictors of Community Treatment Orders (CTO) placement in the first year of implementation in Western Australia and see if there were any differences in the type of patients placed on these orders compared to other studies. METHOD: A population-based record linkage study of Mental Health and Offender Databases comparing 265 patients on CTOs with a consecutive control group (CCG) of equal number matched on date of discharge from inpatient care or CTO placement. RESULTS: Previous health service use, after-care placement, mental disorder history including schizophrenic history, a positive forensic history of violence to others as well as patient's marital status were the significant predictors of CTO placement. CONCLUSIONS: Studies of compulsory community treatment appear to be of similar populations. In spite of the comparatively high rate of use, psychiatrists in Western Australia do not appear to be applying community treatment orders to different types of patient compared to elsewhere. We need further research to establish the relative contribution of patient characteristics, legislation and service setting toward the use and outcome of compulsory community treatment.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».