Predictors of quality of life among inpatients in forensic mental health: implications for occupational therapists
Notice bibliographique
Résumé
Optimising quality of life (QOL) for service users in a forensic hospital is an important treatment objective. The factors which contribute to QOL in this setting are currently unclear. The aim of this study was to analyse the predictors of QOL amongst service users within an inpatient forensic mental health hospital. This study is a naturalistic, cross-sectional, observational study. Fifty-two male service users with schizophrenia or schizoaffective disorder participated in the study. QOL was measured using the World Health Organisation QOL Bref. We used the Engagement in Meaningful Activity Survey (EMAS), ward atmosphere was measured using the Essen Climate Evaluation Schema (EssenCES), occupational functioning was assessed using the Social and Occupational Functioning Scale (SOFAS). We also collected level of ward security, length of stay and community leave data. Stepwise regression showed that meaningful activity, level of ward security, and therapeutic hold on the EssenCES significantly predicted QOL on a range of specific QOL domains. These variables accounted for 40% of the variance for total QOL score. Engagement in meaningful activity added the largest contribution to total QOL score accounting for 30% of the variance. This study shows that provision of meaningful activities, level of ward security and therapeutic hold may contribute to QOL amongst forensic mental health inpatients.
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 | 0,001 | 0,008 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».