Re-Examination of Classic Risk Factors for Suicidal Behavior in the Psychiatric Population
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: For decades we have understood the risk factors for suicide in the general population but have fallen short in understanding what distinguishes the risk for suicide among patients with serious psychiatric conditions. AIMS: This prompted us to investigate risk factors for suicidal behavior among psychiatric inpatients. METHOD: We reviewed all psychiatric hospital admissions (2008-2011) to a centralized psychiatric hospital in Ontario, Canada. Using multivariable logistic regression we evaluated the association between potential risk factors and lifetime history of suicidal behavior, and constructed a model and clinical risk score to predict a history of this behavior. RESULTS: The final risk prediction model for suicidal behavior among psychiatric patients (n = 2,597) included age (in three categories: 60-69 [OR = 0.74, 95% CI = 0.73-0.76], 70-79 [OR = 0.45, 95% CI = 0.44-0.46], 80+ [OR = 0.31, 95% CI = 0.30-.31]), substance use disorder (OR = 1.30, 95% CI = 1.27-1.32), mood disorder (OR = 1.49, 95% CI = 1.47-1.52), personality disorder (OR = 2.30, 95% CI = 2.25-2.36), psychiatric disorders due to general medical condition (OR = 0.52, 95% CI = 0.50-0.55), and schizophrenia (OR = 0.42, 95% CI = 0.41-0.43). The risk score constructed from the risk prediction model ranges from -9 (lowest risk, 0% predicted probability of suicidal behavior) to +5 (highest risk, 97% predicted probability). CONCLUSION: Risk estimation may help guide intensive screening and treatment efforts of psychiatric patients with high risk of suicidal behavior.
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.
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 | 0,001 | 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) | 0,000 | 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 découle