Collection of Data on Persons Living With Dementia Who Go Missing: First Responder Perspectives
Notice bibliographique
Résumé
Abstract While it is commonly cited that 60% of persons living with dementia (PLWD) wander, it is unclear whether this number reflects global contexts. Population aging has created a pressing need for the development of programs to mitigate the risks of PLWD from getting lost and going missing. Such programs would require a national strategy for the collection and integration of data on missing incidents involving this population. This study is a first step to inform such a strategy. The purposes were to: 1) identify approaches to data collection on missing persons incidents involving PLWD among Canadian police and search and rescue (SAR) organizations; 2) describe the foreseeable challenges associated with developing a national data collection strategy. We used generic qualitative description to generate data with fifteen key informants. Virtual semi-structured interviews were completed and transcribed verbatim. Content analysis and trustworthiness strategies guided analysis and rigor. Our findings indicate that police and SAR organizations collect a multitude of data pertaining to missing incidents involving PLWD. However, there is a lack of standardization in data collection, entry and analysis. Privacy legislation, limited resources, and incompatible data management systems pose challenges to data sharing and interoperability. Underreporting of missing incidents to police results in an underestimation of missing incidents. An intersectoral, uniform approach to data collection would enable the storage, analysis and comparison of national data. Accurate data on critical wandering can inform prevention, search strategies, resource allocation and effectiveness of programs.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,000 | 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 ».