Prevalence of psychiatric diagnoses among frequent users of rural emergency medical services.
Notice bibliographique
Résumé
OBJECTIVE: This study aimed to determine whether there was an increased prevalence of psychiatric disorders among frequent users of rural emergency medical services. METHODS: In a matched comparison design, I compared frequent users of the emergency departments of 2 rural hospitals, both affiliated with an academic centre, with randomly selected users and with randomly selected users who had the same medical diagnoses. The main outcome measures were psychiatric diagnoses on a structured clinical interview, along with medical diagnoses and number of emergency department visits in the past year. RESULTS: Ninety-three percent of frequent users had at least 1 DSM-IV psychiatric diagnosis, differing from 50% of random users matched for presenting complaint. A random user group, not matched for presenting complaint, showed 28% prevalence of DSM-IV diagnoses. Frequent users were more often state insured (Medicaid) and less often insured privately. The most common diagnoses among frequent users were major depression, generalized anxiety disorder, adjustment disorder, somatoform pain disorder, substance abuse and dependence, and dysthymia. The treating emergency department physician mentioned a psychiatric diagnosis for only 9% of frequent users. CONCLUSION: Frequent users have a disproportionately high prevalence of psychiatric disorders (under-documented by their physicians), which may affect their pattern of emergency department use. This suggests the need for better recognition, diversion, and management.
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) | 0,000 | 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 ».