Estimating the incidence of first-episode psychosis using population-based health administrative data to inform early psychosis intervention services
Notice bibliographique
Résumé
BACKGROUND: Discrepancies between population-based estimates of the incidence of psychotic disorder and the treated incidence reported by early psychosis intervention (EPI) programs suggest additional cases may be receiving services elsewhere in the health system. Our objective was to estimate the incidence of non-affective psychotic disorder in the catchment area of an EPI program, and compare this to EPI-treated incidence estimates. METHODS: We constructed a retrospective cohort (1997-2015) of incident cases of non-affective psychosis aged 16-50 years in an EPI program catchment using population-based linked health administrative data. Cases were identified by either one hospitalization or two outpatient physician billings within a 12-month period with a diagnosis of non-affective psychosis. We estimated the cumulative incidence and EPI-treated incidence of non-affective psychosis using denominator data from the census. We also estimated the incidence of first-episode psychosis (people who would meet the case definition for an EPI program) using a novel approach. RESULTS: Our case definition identified 3245 cases of incident non-affective psychosis over the 17-year period. We estimate that the incidence of first-episode non-affective psychosis in the program catchment area is 33.3 per 100 000 per year (95% CI 31.4-35.1), which is more than twice as high as the EPI-treated incidence of 18.8 per 100 000 per year (95% CI 17.4-20.3). CONCLUSIONS: Case ascertainment strategies limited to specialized psychiatric services may substantially underestimate the incidence of non-affective psychotic disorders, relative to population-based estimates. Accurate information on the epidemiology of first-episode psychosis will enable us to more effectively resource EPI services and evaluate their coverage.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».