Risk factors associated with readmissions of patients with severe mental disorders under treatment with antipsychotics
Notice bibliographique
Résumé
BACKGROUND: The aim of this study was to assess the risk of readmission in patients with severe mental disorders, compare it between patients using different types of antipsychotics and determine risk factors for psychiatric readmission. METHODS: Medical records of a non-concurrent cohort of 625 patients with severe mental disorders (such as psychoses and severe mood disorders) who were first discharged from January to December 2012 (entry into the cohort), with longitudinal follow-up until December 2017 constitute the sample. Descriptive statistical analysis of characteristics of study sample was performed. The risk factors for readmission were assessed using Cox regression. RESULTS: Males represented 51.5% of the cohort, and 75.6% of the patients had no partner. Most patients (89.9%) lived with relatives, and 64.7% did not complete elementary school. Only 17.1% used more than one antipsychotic, 34.2% did not adhere to the treatment, and 13.9% discontinued the medication due to unavailability in public pharmacies. There was a need to change the antipsychotic due to the lack of therapeutic response (11.2% of the patients) and adverse reactions to the antipsychotic (5.3% of the patients). Cox regression showed that the risk of readmission was increased by 25.0% (RR, 1.25; 95% CI, 1.03-1.52) when used typical antipsychotics, compared to those who used atypical ones, and by 92.0% (RR, 1.92; 95% CI, 1.63-2.27) when patients did not adhere to maintenance treatment compared to those who adhered. CONCLUSIONS: Use of atypical antipsychotics and adherence to treatment were associated with a lower risk of psychiatric readmissions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».