Responding to persons in mental health crisis: A cross-country comparative study of professionals’ perspectives on psychiatric ambulance and street triage models
Notice bibliographique
Résumé
People with mental illness can experience mental health crises (MHCs) that manifest in behaviours risky for the affected persons and for others, often resulting in unwanted police encounters and detention. Mobile crisis teams employing the psychiatric ambulance model (PAM) have shown positive effects when responding to MHCs, including diverting patients from police custody. However, the literature contains few reports about PAM. The emerging model of street triage (ST) is more frequently used and better researched. This study explored and compared facilitators and barriers of PAM and ST from the perspective of professionals from different countries. We conducted 12 semi-structured interviews with key PAM stakeholders in Sweden and the Netherlands and ST stakeholders in England, then performed comparative thematic analysis. Participants believed that PAM and ST led to better care for persons in MHC, reducing stigma and use of force. The main facilitators for Swedish participants were that PAM is a specialty with highly experienced and autonomousstaff. For Dutch participants, the more generalized medium-care ambulance led to success. Street triage enhanced overall safety and interagency collaboration. A common barrier was the lack of (emergency) treatment options and funding to meet the high demand for mental health care. Future research should explore collaboration between mobile crisis teams and community care to improve MHC response, and the perspectives of persons with mental illness on mental health emergency response models. Careful assessment is recommended to determine which mental health emergency response model best suits a specific local or national context.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 ».