Sociodemographic factors associated with routine outcome monitoring: a historical cohort study of 28,382 young people accessing child and adolescent mental health services
Notice bibliographique
Résumé
BACKGROUND: Patient-reported outcome measures (PROMs) are important tools to inform patients, clinicians and policy-makers about clinical need and the effectiveness of any given treatment. Consistent PROM use can promote early symptom detection, help identify unexpected treatment responses and improve therapeutic engagement. Very few studies have examined associations between patient characteristics and PROM data collection. METHODS: We used the electronic mental health records for 28,382 children and young people (aged 4-17 years) accessing Child and Adolescent Mental Health Services (CAMHS) across four South London boroughs between the 1st of January 2008 to the 1st of October 2017. We examined the completion rates of the caregiver Strengths and Difficulties Questionnaire (SDQ), a ubiquitous PROM for CAMHS at baseline and 6-month follow-up. RESULTS AND CONCLUSIONS: SDQs were present for approximately 40% (n = 11,212) of the sample at baseline, and from these, only 8% (n = 928) had a follow-up SDQ. Patterns of unequal PROM collection by sociodemographic factors were identified: males were more likely (aOR 1.07, 95% CI 1.01-1.13), whilst older age (aOR 0.87, 95% CI 0.87-0.88), Black (aOR 0.79 95% CI 0.74-0.84) and Asian ethnicity (aOR 0.75 95% CI 0.66-0.86) relative to White ethnicity, and residence within the most deprived neighbourhood (aOR 0.87 95% CI 0.80-0.94) were less likely to have a record of baseline SDQ. Similar results were found in the sub-group (n = 11,212) with follow-up SDQ collection. Our findings indicate systematic differences in the currently available PROMS data and highlights which groups require increased focus if we are to gain equitable PROM collection. We need to ensure representative PROM collection for all individuals accessing treatment, regardless of ethnic or socioeconomic background; biased data have adverse ramifications for policy and service level decision-making.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».