Trajectories of Dynamic Risk Factors as Predictors of Violence and Criminality in Patients Discharged From Mental Health Services: A Longitudinal Study Using Growth Mixture Modeling
Notice bibliographique
Résumé
Background: Individuals with severe mental illnesses are at greater risk of offences and violence, though the relationship remains unclear due to the interplay of static and dynamic risk factors. Static factors have generally been emphasized, leaving little room for temporal changes in risk. Hence, this longitudinal study aims to identify subgroups of psychiatric populations at risk of violence and criminality to reduce these behaviors, considering the dynamic changes of symptomatology and substance use. Method: A total of 825 patients from the MacArthur Violence Risk Assessment Study having completed 5 post-discharge follow-ups were analyzed. Individuals were classified into outcome trajectories (violence and criminality). Trajectories were computed for each substance (cannabis, alcohol and cocaine, alone or combined) and for symptomatology and inputted as dynamic factors, along with other demographic and psychiatric static factors, into binary logistic regressions for predicting violence and criminality. Best predictors were then identified using backward elimination and ROC curves were calculated for both models. Results: Two trajectories were found for violence (Low vs. High violence). Best predictors for belonging in the High-violence group were low verbal intelligence (baseline), higher psychopathy (baseline) and anger (mean) scores, persistant cannabis use (alone) and persistent moderate affective symptoms. The model’s AUC was 0.773. Two trajectories were also chosen as being optimal for criminality. The final model to predict High-criminality yielded to an AUC of 0.788, retaining as predictors male sex, lower educational level, higher psychopathy score (baseline), persistent polysubstance use (cannabis, cocaine and alcohol) and persistent cannabis use (alone). Both models were moderately predictive of outcomes. Conclusion: Static factors identified as predictors are consistent with previously published literature. Concerning dynamic factors, unexpectedly, cannabis alone was an independent co-occurring variable in the violence model, as well as affective symptoms. For criminality, our results are novel because a very there are very few studies on criminal behaviors in a psychiatric non-forensic population. In conclusion, these results emphasize the need to study more the impact of longitudinal patterns of specific substance use and high affective symptoms, and to evaluate more profoundly the predictors of crime, separately from violence.
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 | 0,007 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».