Repeat Emergency Visits for Mental Health Patients: Before and during the Covid19 pandemic
Notice bibliographique
Résumé
Introduction Frequent users of Emergency Departments (EDs) are a diverse group accounting for disproportionate EDs visits. Psychiatric patients are more likely to visit EDs (Slankamenac, 2020). EDs utilisation by psychiatric patients increased by 4.4% during COVID-19 pandemic. Objectives to determine frequent users characteristics within an Ottawa University Hospital, and assess Covid19 impact on overutilization of EDs compared to other hospitals. Methods Retrospective study of repeat visits characteristics, data extracted from EMR database. Repeat visits defined as no less than 30 days first visit to any EDs. Period of observation: March 1st, 2018 - February 28th, 2021 Results. Results 64% EDS visits for MH, 35% for addictions. More men (57%), age groups: 16-34 y.o. (41%), 34-64 y.o. (51%), 65 +y.o. (8%). Top presenting reasons: suicidality, self-harm, depression (40.5%). Anxiety, situational crisis (16%), bizarre behavior (12%). Most prevalent diagnoses: schizophrenia (28.7%), stress and anxiety (25.2%), personality disorders (13.5%) and depressive episode (10.6%). Only 35.1% admitted after repeat ED visits, 35.1% came by ambulance. Increase during peak pandemic exceeding 20%. Clearly pandemic created more pressures for MH services needs. Conclusions Schizophrenia and personality disorders made most prevalent diagnostic groups. Even when patients are in acute needs, they do not always require hospitalization. Investigating what MH conditions that got more stressed by the Covid19 pandemic will be of interest. Disclosure No significant relationships.
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 | 0,001 | 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 ».