0980 Circadian Patterns of Aggressive Behaviors in a Mental Health Care Facility
Notice bibliographique
Résumé
Abstract Introduction There are indications that circadian rhythms regulate certain aspects of emotions and behaviors. Yet, little is known about the potential diurnal rhythm of behavioral problems in individuals at risk for both circadian and emotional deregulation. This study investigates whether the frequency of aggressive behaviors among individuals receiving mental health care in a tertiary psychiatric facility follows a circadian pattern. Methods The timing of all “code white” alerts, emergency notifications of aggressive behavior, were documented from the hospital occupational safety team during 2022 and collated for secondary data analysis. A repeated measures ANOVA was performed on the hourly frequency of code white alerts across 24-hours and a Fourier series model was fitted to the data to extract parameters of a putative circadian curve. Results Preliminary results reveal a significant time of day effect on code white alerts (F(23, 8349) = 9.58, p <.001). Visual inspection show a sinusoidal pattern in the hourly counts of code white alerts, with an acrophase between 2 PM and 3 PM and a nadir between 3AM and 4AM. This was confirmed by the curve fitting (Adjusted R-square =.91). Conclusion These initial findings suggest a circadian modulation in the occurrence of aggressive behaviours in people receiving mental health care. While further work is required to understand underlying mechanisms, this phenomenon may be linked to the decrease in alertness and energy levels in the afternoon, which may make emotional regulation and decision-making more challenging. Better understanding of the influence of circadian factors on aggressive behaviors may facilitate self-regulation strategies and guide healthcare teams in preventing and better tailoring their responses to behavioral emergencies. Support (if any) NA
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 | 0,000 | 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 ».