Re-Examination of Classic Risk Factors for Suicidal Behavior in the Psychiatric Population
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.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».