Assessment of decisional capacity: Prevalence of medical illness and psychiatric comorbidities
Notice bibliographique
Résumé
OBJECTIVE: Studies on decisional capacity have primarily focused on cognitive disorders, whereas noncognitive disorders remain understudied. The purpose of our study was to assess decisional capacity across a wide spectrum of medical and psychiatric disorders. METHOD: More than 2,500 consecutive consults were screened for decisional capacity, and 336 consults were reviewed at Bellevue Hospital Center in New York. Sociodemographic and medical variables, medical and psychiatric diagnoses, as well as decisional capacity assessments were recorded and analyzed. RESULTS: Consults for decisional capacity were most commonly called for in male patients with cognitive and substance abuse disorders. Less commonly, consults were called for patients with mood or psychotic disorders. Overall, about two thirds of patients (64.7%) were deemed not to have decisional capacity. Among medical diagnoses, neurological disorders contributed to decisional incapacity, and among the psychiatric diagnoses, cognitive disorders were most frequently documented in cases lacking decisional capacity (54.1%) and interfered more commonly with decisional capacity than substance abuse or psychotic disorders (37.2 and 25%). In contrast, patients with mood disorders usually retained their decisional capacity (32%). Generally, the primary treatment team's assessment was accurate and was confirmed by the psychiatric service. SIGNIFICANCE OF RESULTS: Although decisional capacity assessments were most commonly requested for patients with substance abuse and cognitive disorders, the latter generally affected the ability to make healthcare decisions the most. Further, cognitive disorders were much more likely to impair the ability to make appropriate healthcare decisions than substance abuse or psychotic disorders.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,002 | 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 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 ».