Patterns of care and dropout rates from outpatient mental healthcare in low-, middle- and high-income countries from the World Health Organization's World Mental Health Survey Initiative
Notice bibliographique
Résumé
Abstract Background There is a substantial proportion of patients who drop out of treatment before they receive minimally adequate care. They tend to have worse health outcomes than those who complete treatment. Our main goal is to describe the frequency and determinants of dropout from treatment for mental disorders in low-, middle-, and high-income countries. Methods Respondents from 13 low- or middle-income countries ( N = 60 224) and 15 in high-income countries ( N = 77 303) were screened for mental and substance use disorders. Cross-tabulations were used to examine the distribution of treatment and dropout rates for those who screened positive. The timing of dropout was examined using Kaplan–Meier curves. Predictors of dropout were examined with survival analysis using a logistic link function. Results Dropout rates are high, both in high-income (30%) and low/middle-income (45%) countries. Dropout mostly occurs during the first two visits. It is higher in general medical rather than in specialist settings (nearly 60% v. 20% in lower income settings). It is also higher for mild and moderate than for severe presentations. The lack of financial protection for mental health services is associated with overall increased dropout from care. Conclusions Extending financial protection and coverage for mental disorders may reduce dropout. Efficiency can be improved by managing the milder clinical presentations at the entry point to the mental health system, providing adequate training, support and specialist supervision for non-specialists, and streamlining referral to psychiatrists for more severe cases.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».