Predictors of Emergency Department Use for Suicidal Behaviors among Patients with Substance-Related Disorders
Notice bibliographique
Résumé
OBJECTIVE: This study aimed to identify predictors of emergency department (ED) use for suicide ideation or suicide attempt compared with other reasons among 14,158 patients with substance-related disorders (SRD) in Quebec (Canada). METHODS: Longitudinal data on clinical, sociodemographic, and service use variables for patients who used addiction treatment centers in 2012-13 were extracted from Quebec administrative databases. A multinomial logistic regression was produced, comparing predictors of suicide ideation or attempts to other reasons for ED use in 2015-16. RESULTS: Patients using ED for both suicide ideation and attempt were more likely to have bipolar or personality disorders, problems related to the social environment, 4+ previous yearly outpatient consultations with their usual psychiatrist, high prior ED use, and dropout from SRD programs in addiction treatment centers in the previous 7 years, compared with those using ED for other reasons. Patients with alcohol- or drug-related disorders other than cannabis and living in the least materially deprived areas, urban territories, and university healthcare regions made more suicide attempts than those using ED for other reasons. Patients with common mental disorders, 1-3 previous yearly outpatient consultations with their usual psychiatrist, one previous treatment episode in addiction treatment centers, and those using at least one SRD program experienced more suicide ideation than patients using ED for other reasons. CONCLUSION: Clinical variables most strongly predicted suicidal behaviors, whereas completion of SRD programs may help to reduce them. SRD services and outreach strategies should be reinforced, particularly for patients with complex issues living in more advantaged urban areas. HIGHLIGHTSOver 10% of ED visits were for suicidal behaviors among patients with SRD.ED use for suicidal behaviors was mainly associated with clinical variables.Addiction treatment centers may help reduce ED use for suicidal behaviors.
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 | 0,000 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 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 ».