Ethnic Differences in Mental Illness Severity
Notice bibliographique
Résumé
OBJECTIVE: Little is known about the sociocultural determinants of mental illness at hospital presentation. Our objective was to examine ethnic differences in illness severity at hospital admission among Chinese, South Asian, and the general population living in Ontario, Canada. METHODS: We conducted a large, population-based, cross-sectional study of psychiatric inpatients aged from 19 to 105 years who were discharged between 2006 and 2014. A total of 133,588 patients were classified as Chinese (n = 2,582), South Asian (n = 2,452), or the reference group (n = 128,554) using a validated surnames algorithm (specificity: 99.7%). Diagnoses were based on DSM-IV criteria. We examined the association between ethnicity and 4 measures of disease severity: involuntary admissions, aggressive behaviors, and the number and frequency of positive symptoms (ie, hallucinations, command hallucinations, delusions, and abnormal thought process) (Positive Symptoms Scale, Resident Assessment Instrument-Mental Health [RAI-MH]). RESULTS: After adjusting for sociodemographic characteristics, immigration status, and discharge diagnosis, Chinese patients had greater odds of involuntary admissions (odds ratio [OR] = 1.79; 95% CI, 1.64-1.95) and exhibiting severe aggressive behaviors (OR = 1.36; 95% CI, 1.23-1.51) and ≥ 3 positive symptoms (OR = 1.39; 95% CI, 1.24-1.56) compared to the general population. South Asian ethnicity was also an independent predictor of most illness severity measures. The association between Chinese ethnicity and illness severity was consistent across sex, diagnostic and immigrant categories, and first-episode hospitalization. CONCLUSIONS: Chinese and South Asian ethnicities are independent predictors of illness severity at hospital presentation. Understanding the role of patient, family, and health system factors in determining the threshold for hospitalization is an important future step in informing culturally specific care for these large and growing populations worldwide.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».