The assessment of dynamic risk among forensic psychiatric patients transitioning to the community.
Notice bibliographique
Résumé
Individuals with serious mental illness (SMI; i.e., psychotic or major mood disorders) are vulnerable to experiencing multiple forms of adverse safety events in community settings, including violence perpetration and victimization. This study investigates the predictive validity and clinical utility of modifiable risk factors for violence in a sample of 87 forensic psychiatric patients found Not Criminally Responsible on Account of Mental Disorder (NCRMD) transitioning to the community. Using a repeated-measures prospective design, we assessed theoretically based dynamic risk factors (e.g., insight, psychiatric symptoms, negative affect, treatment compliance) before hospital discharge, and at 1 and 6 months postdischarge. Adverse outcomes relevant to this population (e.g., violence, victimization, hospital readmission) were measured at each community follow-up, and at 12 months postdischarge. The base rate of violence (23%) was similar to prior studies of discharged psychiatric patients, but results also highlighted elevated rates of victimization (29%) and hospital readmission (28%) characterizing this sample. Many of the dynamic risk indicators exhibited significant change across time and this change was related to clinically relevant outcomes. Specifically, while controlling for baseline level of risk, fluctuations in dynamic risk factors predicted the likelihood of violence and hospital readmission most consistently (hazard ratios [HR] = 1.35-1.84). Results provide direct support for the utility of dynamic factors in the assessment of violence risk and other adverse community outcomes, and emphasize the importance of incorporating time-sensitive methodologies into predictive models examining dynamic risk. (PsycINFO Database Record
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 | 0,002 | 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 ».