Yield and Efficiency of Mental Health Screening: A Comparison of Screening Protocols at Intake to Prison
Notice bibliographique
Résumé
BACKGROUND: The value of screening for mental illness has increasingly been questioned in low prevalence settings due to high false positive rates. However, since false positive rates are related to prevalence, screening may be more effective in higher prevalence settings, including correctional institutions. We compared the yield (i.e. newly detected cases) and efficiency (i.e. false positives) of five screening protocols to detect mental illness in prisons against the use of mental health history taking (the prior approach to detecting mental illness). METHODS AND FINDINGS: We estimated the accuracy of the six approaches to detect an Axis I disorder among a sample of 467 newly admitted male inmates (83.1% participation rate). Mental health history taking identified only 41.0% (95% CI 32.1, 50.6) of all inmates with mental illness. Screening protocols identified between 61.9 and 85.7% of all cases, but referred between 2 and 3 additional individuals who did not have a mental illness for every additional case detected compared to the mental health history taking approach. In low prevalence settings (i.e. 10% or less) the screening protocols would have had between 4.6 and 16.2 false positives per true positive. CONCLUSIONS: While screening may not be practical in low prevalence settings, it may be beneficial in jails and prisons where the prevalence of mental illness is higher. Further consideration of the context in which screening is being implemented, and of the impacts of policies and clinical practices on the benefits and harms of screening is needed to determine the effectiveness of screening in these settings.
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 | 0,058 | 0,266 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 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 ».