Typology of persons with severe mental disorders
Notice bibliographique
Résumé
BACKGROUND: Persons with severe mental disorders (PSMD) form a highly heterogeneous group. Identifying subgroups sharing similar PSMD profiles may help to develop treatment plans and appropriate services for their needs. This study seeks to establish a PSMD typology by looking at individual characteristics and the amount and adequacy of help received. METHODS: The study recruited a sample of 352 persons located in south-western Montreal (Quebec, Canada). Cluster analysis was used to create a PSMD typology. RESULTS: Analysis yielded five clusters: 1. highly functional older women with mood disorders, receiving little help from services; 2. middle-aged men with diverse mental disorders and alcohol abuse, receiving insufficient and inadequate help; 3. middle-aged women with serious needs, mood and personality disorders and suicidal tendencies, living in autonomous apartments, and receiving ample but inadequate help; 4. highly educated younger men with schizophrenia, living in autonomous apartments, and receiving adequate help; and 5. older poorly educated men with schizophrenia, living in supervised apartments, with ample help perceived as adequate. Marked differences were found between men and women, between users diagnosed with schizophrenia and others, and between persons living in supervised or autonomous apartments. CONCLUSION: Our study highlights the existence of parallel subgroups among PSMD related to their socio-demographic status, clinical needs and service-use profiles, which could be used to focus more appropriate interventions. For mental health service planning, it demonstrates the relevance of focusing on individuals showing critical needs who are affected by multiple mental disorders (especially when associated with alcohol abuse), and often find help received as less adequate.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 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 ».