Does Meeting Needs Improve Quality of Life?
Notice bibliographique
Résumé
BACKGROUND: This study investigated the relationship between patient-rated unmet needs and subjective quality of life using routine outcome data. METHODS: 265 mental health service patients from South Verona were assessed using the Camberwell Assessment of Need, the Lancashire Quality of Life Profile, and other standardised assessments of symptoms, disability, function and service satisfaction. At 1-year follow-up, 166 patients were still in contact, of whom 121 patients (73%) were re-assessed. RESULTS: Higher baseline quality of life was associated with being male, a diagnosis of psychosis, higher disability, higher satisfaction with care, fewer staff-rated or patient-rated unmet needs, and fewer patient-rated met needs (accounting for 40% of the variance). Specifically, fewer baseline patient-rated unmet needs were cross-sectionally associated with a higher quality of life (B = -0.08, 95% CI -0.12 to -0.04). Apart from its baseline value, the only baseline predictor of follow-up QoL was patient-rated unmet need (B = -0.08, 95% CI -0.21 to -0.09), accounting for 58% of the variance in follow-up quality of life. Graphical chain modelling confirmed this association. CONCLUSIONS: The association between high numbers of unmet needs and low subjective quality of life appears increasingly robust across several studies. Future research will need to investigate whether changes in needs precede changes in quality of life. This study provides further evidence that a policy of actively assessing and addressing patient-rated unmet needs may lead to improved quality of life.
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 | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».