Exploring the reliability and profile of frequent mental health presentations using different methods: An observational study using statewide ambulance data over a 4-year period
Notice bibliographique
Résumé
INTRODUCTION: A disproportionate number of mental health presentations to emergency services are made by frequent presenters. No current consensus definition of a frequent presenter exists. Using a statewide population-based ambulance database, this study (i) applied previous statistical methods to determine thresholds for frequent presenters, (ii) explored characteristics of the identified frequent presenter groups compared to non-frequent presenters and (iii) assessed the reliability of these methods in predicting continued frequent presenter status over time. METHODS: Statistical methods utilised in previous studies to identify frequent presenters were applied to all ambulance attendances for mental health symptoms, self-harm and alcohol and other drug issues between 1 January 2017 and 31 December 2020 in Victoria, Australia. Differences in characteristics between identified frequent and non-frequent presenter groups were determined by logistic regression analysis. The consistency of agreement of frequent presenter status over time was assessed using intraclass correlation coefficients. RESULTS: Thresholds for frequent presenters ranged from a mean of 5 to 39 attendances per calendar year, with groups differing in size, service use and characteristics. Compared to non-frequent presenters, frequent presenters had greater odds of being female, presenting with self-harm, experiencing social disadvantage or housing issues, involving police co-attendance and being transported to hospital. All frequent presenter definitions had poor reliability in predicting ongoing frequent presentations over time. CONCLUSION: A range of methods can define frequent presenters according to thresholds of yearly service use. Reasons for identifying frequent presenters may influence the method chosen. Future studies should explore definitions that capture the dynamic nature of presentations by this group.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».