Risk factors associated with dropout and readmission among First Nations individuals admitted to an inpatient alcohol and drug detoxification program.
Notice bibliographique
Résumé
BACKGROUND: There is a need for clinically relevant research into treatment for substance abuse among Aboriginal people. In this study, I aimed to provide a predictive model of dropout from and readmission to an inpatient detoxification program in a large treatment sample of Aboriginal patients. METHODS: I reviewed the medical charts of all self-reported First Nations people (n = 877) admitted to an inpatient detoxification centre in British Columbia, between Jan. 4, 1999, and Jan. 30, 2002, and used binary logistic regression models to identify predictors of dropout from and readmission to the program. Each of these models was validated using an independent subset of the treatment sample. RESULTS: Overall, 254 (29.0%) people dropped out of the program, and 219 were readmitted. Statistically significant predictors of treatment dropout were a preferred drug other than alcohol (odds ratio [OR] 1.67, 95% confidence interval [CI] 1.12-2.50) and self-referral (OR 1.89, 95% CI 1.28-2.80). Statistically significant predictors of readmission to inpatient detoxification within a 1-year period were a previous history of detoxification treatment (OR 3.52, 95% CI 2.16-5.75) and residential instability (OR 1.82, 95% CI 1.11-2.99). INTERPRETATION: Although factors were identified that are associated with each of treatment dropout or readmission for detoxification, only the latter can be reliably predicted by them.
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 | 0,001 |
| 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) | 0,000 | 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 ».