Physicians’ knowledge and practices regarding screening adult patients for adverse childhood experiences: a survey
Notice bibliographique
Résumé
Abstract Background Adverse Childhood Experiences (ACEs) are common and associated with many illnesses. Most physicians do not routinely screen for ACEs. We aimed to determine if screening is related to knowledge or medical specialty, and to assess perceived barriers. Methods Physicians in Ontario, Canada completed an online survey in 2018–2019. Data were analyzed in 2019. Results Participants were 89 family physicians, 46 psychiatrists and 48 other specialists. Participants screened for ACEs “never or not usually” ( N = 58, 31.7%), “when indicated” ( N = 67, 36.6%), “routinely” ( N = 50, 27.3%) or “other” ( N = 5, 2.7%). Screening was strongly associated with specialty (Chi 2 = 181.0, p < .001). The modal responses were: family physicians - “when indicated” (66.3%), psychiatrists - “routinely” (91.3%), and other specialists - “never or not usually” (77.1%). Screening was not related to knowledge of prevalence of ACEs, or of the link between ACEs and mental health, but was significantly associated with knowing that ACEs are associated with physical health. Knowing that ACEs are linked to stroke, ischemic heart disease, COPD, and diabetes predicted greater screening (Chi 2 15.0–17.7, each p ≤ .001). The most prevalent perceived barriers to screening were lack of mental health resources (59.0%), lack of time (59.0%), concern about causing distress (49.7%) and lack of confidence (43.7%). Conclusions Enhancing knowledge about ACEs’ negative influence on physical illness may increase screening. Efforts to promote screening should address concerns that screening is time-consuming and will increase referrals to mental health resources. Education should focus on increasing confidence with screening and with managing patient distress.
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 | 0,001 |
| 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 ».