Engaging with care in an early intervention for psychosis program: The role of language, communication, and culture
Notice bibliographique
Résumé
Language is an important aspect of communication and language status is known to impact healthcare accessibility, its perceived suitability, and outcomes. However, its influence on treatment engagement and/or disengagement is unknown. Our study therefore sought to investigate the impact of language on service disengagement in an early intervention psychosis program in Montreal, Quebec (a province with French as the official language). We aimed to compare service disengagement between a linguistic minority group (i.e., English) vis-à-vis those whose preferred language was French and to explore the role of language in service engagement. Using a mixed methods sequential design, we tested preferred language and several sociodemographic characteristics associated with service disengagement in a time-to-event analysis with Cox proportional hazards regression models ( N = 338). We then conducted two focus groups with English (seven patients) and French speakers (five patients) to further explore differences between the two linguistic groups. Overall, 24% ( n = 82) disengaged from the service before the two-year mark. Those whose preferred language was English were more likely to disengage ( n = 47, 31.5%) than those whose preferred language was French ( n = 35, 18.5%; χ2 = 9.11, p < .01). This remained significant in the multivariate regression. In focus groups, participants identified language as one aspect of a complex communication process between patients and clinicians and highlighted the importance of culture in the clinical encounter. Language status of patients plays an important role in their engagement with early psychosis services. Our findings underscore the value of establishing communication and cultural understanding in creating clinical/therapeutic alliance.
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 | 0,001 |
| 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 ».