Rates of Dual Diagnosis in Child and Adolescent Psychiatric Inpatients: A Scoping Review
Notice bibliographique
Résumé
OBJECTIVES: Child and adolescent psychiatric (CAP) inpatient admissions have increased since 2009 and the clinical profile of these patients has become more complex. Unrecognized dual diagnosis, that is, comorbid substance use or substance use disorder (SUD) may contribute to this problem, but the prevalence of dual diagnosis in this population is inadequately understood. The goal of this scoping review was to summarize the range and content of research on this topic. METHODS: MEDLINE, EMBASE, and PsychINFO databases were systematically searched for studies published from 2008 to 2019 containing information on rates of comorbid substance use or SUD in CAP inpatients. RESULTS: A total of 23,326 abstracts were located. After removing duplicates, screening abstracts and full-text papers, and extracting data with full-text reviews, fourteen studies meeting our criteria remained. Rates of substance use or SUD ranged from 0.9% to 54.8%, differing on the basis of: (1) type of outcome; (2) type of data source; and (3) whether samples had a specific diagnostic focus or not. Rates of any type of SUD were reported in approximately 25% of samples from administrative databases, in 17.7% to 38.5% of chart reviews, and in 55% of studies with data from clinical research examinations. The highest rates of substance-specific substance use or SUD were for alcohol, cannabis, and nicotine. CONCLUSIONS: We located 14 studies, but methodologic heterogeneity precluded quantitative calculation of a single estimate for the prevalence of dual diagnosis. However, most of the rates suggest that this is an important problem in CAP inpatients, meriting further research. We suggest ways to improve 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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».