Suicide prevention in pharmaceutical education: Raising awareness with inspiring stories
Notice bibliographique
Résumé
Suicide rates are high in high-income countries like Canada and the United States, where 10 to 12 people per 100 000 commit suicide every year. In the United States, in 2011 there were 73.3 emergency room visits per 100 000 people for suicide attempts with prescription drugs. The latter were also involved in 13% of completed suicides between 1999 and 2013. In most cases, these drugs were distributed by members of our profession who could not predict this outcome. This led us to create an initiative to teach pharmacy students how to prevent suicide. A literature review and online search were performed to find documentation about pharmacists' commitment to the cause, but very little information exists. Thus, a training session was developed for third-year pharmacy students that includes basic statistics, arguments for involving pharmacists in suicide prevention, role-playing, tools to evaluate suicide risk, thoughtful verbatims of interview techniques, and case studies. It is delivered during the mental health theme of the psychiatry course. In 5 years, around 1150 students have participated in the course, of whom approximately 950 are now practicing pharmacists. This intervention may have prevented some suicides, although the impact is impossible to measure. The objective of this paper is to describe the creative process of designing a suicide prevention training session for pharmacy students, while inspiring a mental health sensitive readership to this noble cause. This article does not provide guidelines on how to replicate this initiative, nor does this article replace proper training on suicide prevention.
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 | 0,001 | 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 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 ».