Beyond Patient Characteristics: A Narrative Review of Contextual Factors Influencing Involuntary Admissions in Mental Health Care
Notice bibliographique
Résumé
Variations in the rates of involuntary admission (IA) reflect the influence of unexplained contextual variables that are typically too heterogeneous to be included in systematic reviews. This paper attempts to gather and analyze factors unrelated to the patients that have been linked to IA. The articles included in this review were selected by iteratively searching four electronic databases (PubMed, PsychINFO, EMBASE, and Web of Science). A total of 54 studies from 19 different countries and regions, including 14 European countries, the United States, Canada, China, Vietnam, and Taiwan, were selected. The factors were categorized as service-related factors, impactful events, seasonal and temporal factors, mental health legislation, staff factors, and public attitudes. The factors rarely act in isolation but rather interact and reinforce each other, causing a greater influence on IA. This paper explains how these factors present opportunities for robust and sustainable interventions to reduce IAs. The paper also identifies future directions for research, such as examining the effects of economic recessions. Enhancing global reporting standards is essential to validate future research and support further in-depth studies. The complexity of the factors influencing IA and the implicit role of society suggest that resolving it will require social change.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».