Mental Health Treatment Dropout and Its Correlates in a General Population Sample
Notice bibliographique
Résumé
BACKGROUND: Dropping out of mental health treatment prematurely may affect treatment outcome. However, we have limited knowledge about the epidemiology of mental health treatment dropout. The objectives of this analysis were to estimate the rates of dropout in individuals who had received mental health treatment provided by different health professionals and to identify factors associated with mental health treatment dropout. METHODS: Data from the Canadian Community Health Survey-Mental Health-Well-being were used. Participants who had used mental health services in the past 12 months were included in the analysis (n=3556). The percentages dropping out of mental health treatment provided by various health professionals were estimated. Logistic regression was used to identify factors associated with treatment dropout. RESULTS: The overall rate of dropout from mental health treatment in the past 12 months was 22.3%. Participants who had used services provided by family doctors/general practitioners had the lowest rate of dropout (11.8%). The dropout rate was 22.7% in those who were treated by psychiatrists and was 21.9% in participants who had seen psychologists. Young (15-25 years), nonwhite and individuals who reported having had a mood disorder or having had substance dependence were more likely to terminate treatment prematurely. CONCLUSIONS: In Canada, a large percentage of individuals who use mental health services prematurely terminate their treatment. Clinical factors may play important roles in treatment dropout. Patients with substance dependence and those with mood disorders have a high risk of treatment dropout.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».