Absconsion in forensic psychiatric services: a systematic review of literature
Notice bibliographique
Résumé
While serious concerns are often raised when patients abscond or leave unauthorized from psychiatric services, there is limited knowledge about absconsion in forensic psychiatric services. Following the preferred reporting items for systematic reviews and meta-analyses guideline, we searched Medline/PubMed, PsycINFO, EMBASE, CINAHL, Scopus, and Web of Science through May 2020 for eligible reports on absconsion in forensic patients with no language limits. The search string combined terms for absconsion, forensic patients, and psychiatry in various permutations. This was supplemented by snowball searching for additional studies. Of the 565 articles screened, 25 eligible studies, including two interventional, seven cross-sectional, and 16 case-controlled studies spanning five decades were included. Absconsion and re-absconsion rates ranged from 0.2% to 54.4% and 15% to 71%, respectively, albeit higher rates trended with less secure psychiatric units. Previous absconsion, aggression, substance use, high Historical Clinical Risk Management-20 score, anti-sociality, psychiatric symptoms, sexual offending, and poor treatment adherence were the factors reported with a degree of predictive value for absconsion. However, the construct of absconsion was heterogeneous in the included studies and the quality of evidence on the predictors of absconsion was limited. Serious risky behaviors including re-offending, violence, self-harm, suicide, rape, and manslaughter were perpetrated by patients during unauthorized leave. Nevertheless, the rates of re-offending were generally low in the included studies (highest recidivism rate = 0.11). There is need for standardized assessment and documentation of absconsion to improve risk analysis and management. Furthermore, it is necessary to develop a structured guideline for defining absconsion, and to create a protocol that operationalizes all absconsion-related behaviors/events to promote reliable assessment and comparative analysis in future studies.
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 | 0,010 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,017 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».