Static metrics of impact for a dynamic problem: The need for smarter tools to guide suicide prevention planning and investment
Notice bibliographique
Résumé
OBJECTIVES: This study investigates two approaches to estimate the potential impact of a population-level intervention on Australian suicide, to highlight the importance of selecting appropriate analytic approaches for informing evidence-based strategies for suicide prevention. METHODS: The potential impact of a psychosocial therapy intervention on the incidence of suicide in Australia over the next 10 years was used as a case study to compare the potential impact on suicides averted using: (1) a traditional epidemiological measure of population attributable risk and (2) a dynamic measure of population impact based on a systems science model of suicide that incorporates changes over time. RESULTS: Based on the population preventive fraction, findings suggest that the psychosocial therapy intervention if implemented among all eligible individuals in the Australian population would prevent 5.4% of suicides (or 1936 suicides) over the next 10 years. In comparison, estimates from the dynamic simulation model which accounts for changes in the effect size of the intervention over time, the time taken for the intervention to have an impact in the population, and likely barriers to the uptake and availability of services suggest that the intervention would avert a lower proportion of suicides (between 0.4% and 0.5%) over the same follow-up period. CONCLUSION: Traditional epidemiological measures used to estimate population health burden have several limitations that are often understated and can lead to unrealistic expectations of the potential impact of evidence-based interventions in real-world settings. This study highlights these limitations and proposes an alternative analytic approach to guide policy and practice decisions to achieve reductions in Australian suicide.
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 | 0,000 | 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 ».