Self-Harm History, Anxiety-Depression, Severity of Disease, and Insight Are Significantly Associated With Suicide Risk in Forensic Psychiatric Inpatients of China
Notice bibliographique
Résumé
Background: Forensic psychiatric patients have higher suicide risk than the general population. This study aimed to evaluate the extent of suicide risk and to explore the associated factors in forensic psychiatric inpatients in China. Methods: We conducted a cross-sectional study from 1st November, 2018 to 30th January, 2019 in the Forensic Psychiatric Hospital of Hunan Province, China. Patient's information on socio-demographic, clinical, and criminological characteristics was collected. The suicidality subscale of the MINI-International Neuropsychiatric Interview (M.I.N.I.), the Brief Psychiatric Rating Scale (BPRS), and the Severity of Illness of Clinical Global Impressions Scale (CGI-SI) were used to measure present suicide risks, psychiatric symptoms, and the severity of the patient's disease, respectively. Binary logistic regression models were used to examine factors associated with suicide risk. Results: Twenty-one percent (84/408) of the forensic psychiatric inpatients reported suicide risk. Logistic regression analysis suggested that self-harm history (OR:3.47, 95% confidence interval CI: 1.45–8.33), symptoms of anxiety-depression (OR:1.15, 95% CI:1.04–1.27), and more severe mental disorder (OR:1.42, 95% CI:1.08–1.87) were associated with elevated suicide risk, while insight disorder (OR:0.81, 95% CI:0.65–0.99) was related to decreasing suicide risk. Conclusion: The study supplied useful clinical information to recognize high suicide risk in forensic psychiatric inpatients and may aid the development of valuable strategies for preventing and reducing suicide events.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».