Characteristics of referrals and admissions to a medium secure ASD unit
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to present preliminary data on a cohort of patients referred to a specialist forensic medium-secure autism spectrum disorder (ASD) service during its first two years of opening and to identify variables associated with admission to the service. Design/methodology/approach – Data on all referrals to the service (n=40) was obtained from clinical files on demographics, offending history, psychiatric history and levels of therapeutic engagement. The sample was divided into two groups: referred and admitted (n=23) and referred and not admitted (n=17). Statistical analysis compared the two groups on all variables. Findings – Totally, 94 per cent of all individuals assessed had a diagnosis of autism, however, structured diagnostic tools for ASD were used in a small minority of cases. About half the sample had a learning disability, almost four-fifths had at least one additional mental disorder and almost three-quarters had a history of prior supervision failure or non-compliance with treatment. The sample had a wide range of previous offences. No significant differences were found between the groups on any of the variables included in the study. Research limitations/implications – The present study presents a starting point to follow up in terms of response to treatment and characteristics associated with treatment outcome. Practical implications – The sample had a wide range of clinical and risk-related needs. Both groups shared many similarities. Originality/value – This highlights the need for comprehensive assessment looking at risk-related needs so that individuals are referred to an optimal treatment pathway.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».