Evaluating the HEADS-ED Screening Tool in a Hospital-Based Mental Health and Addictions Central Referral Intake System: A Prospective Cohort Study
Notice bibliographique
Résumé
OBJECTIVES: We evaluated the use of a mental health (MH) screening tool in a hospital-based centralized MH referral telephonic intake process. The tool is used to guide psychosocial screening in several domains: home; education; activities and peers; drugs and alcohol; suicidality; emotions, thoughts, and behaviors; and discharge resources (HEADS-ED). We wanted to understand the use of the tool to guide next step in care decision-making over the telephone. METHODS: Intake workers used the HEADS-ED tool to guide the assessment processes, identified areas of MH need, and made decisions about next step in care. We completed a retrospective chart review of all callers to the intake system over 4 months to gather initial decision at intake and subsequent steps in treatment. χ2 and analysis of variance tests were used to examine differences between HEADS-ED scores and next step in care. RESULTS: A total of 674 patients aged 3 to 19 years (mean age = 11.7 years, SD = 0.6; girls = 50.0%) called for services. Significant mean differences were found on total HEADS-ED scores between treatment options (F4,641 = 75.76; P < .001). Decision validity indicated that 86% (n = 506 of 587) of initial referrals matched treatments that were actually received. Uptake of the tool was 100%, and interrater reliability indicated strong agreement between raters (intraclass correlation coefficient = 0.82; P < .001). CONCLUSIONS: With our results, we support the use of the HEADS-ED tool in a telephone-based MH intake system to help guide the initial assessment and inform decision-making about fit of next step in care, both within the health center–based MH system and in the community.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».