Adherence to Antipsychotic Medication and Criminal Recidivism in a Canadian Provincial Offender Population
Notice bibliographique
Résumé
Preliminary evidence suggests that adherence to antipsychotic medication reduces criminal recidivism among patients diagnosed with schizophrenia. However, existing studies operationalize antipsychotic adherence as a binary variable (usually using a threshold of ≥80%), which does not reflect the prevalence of suboptimal adherence in real-world settings. The purpose of the current analysis was to investigate the association between successive ordinal levels of antipsychotic adherence and criminal recidivism in a well-defined sample of offenders diagnosed with schizophrenia (n = 11462). Adherence was measured using the medication possession ratio (MPR) and analyzed as a time-dependent covariate in multivariable regression models. Data were drawn from linked, comprehensive diagnostic, pharmacy and justice system records, and individuals were followed for an average of 10 years. Adjusted rate ratios (ARR) and confidence intervals (CI) are reported. Overall mean MPR was 0.41. Increasing levels of antipsychotic adherence were not associated with progressively lower rates of offending. However, when compared to the reference group (MPR ≥ 80%) all lower adherence levels were significantly associated (P < .001) with increased risk of violent (ARR = 1.58; 95% CI = 1.46-1.71) and nonviolent (ARR = 1.41; 95% CI = 1.33-1.50) offenses. Significance was replicated in separate sensitivity analyses. Previously published studies reporting reductions in crime may have been influenced by antipsychotic adherence ≥80%. Binary operationalization of adherence is an inaccurate predictor of recidivism. Future research addressing functional outcomes of antipsychotic adherence should conceptualize adherence as an incremental independent variable.
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 | 0,000 | 0,001 |
| 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 ».