Violence risk prediction in mental health inpatient settings using the Dynamic Appraisal of Situational Aggression
Notice bibliographique
Résumé
Introduction/Background: Aggression and violence are common problems in healthcare settings and affects both patients and healthcare staff. The Dynamic Appraisal of Situational Aggression (DASA) is an assessment tool to guide assessment for short term risk in inpatient settings. There have been no large-scale studies examining the performance of the DASA across different clinical settings. Our objective is to examine the performance of the DASA using a large longitudinal patient sample on different clinical units. A secondary objective was to examine alterative risk categories of the DASA. Methods: All consecutive mental health hospital admissions to a large hospital in Toronto, Canada between 2016 and 2019 were included. Time-to-event analysis and Receiver Operating Characteristics Area Under the Curve (AUC) was conducted with the outcome variable being the occurrence of the first violent incident or first restraint event. Results: We included 3819 patients, of which 17% had at least one violent incident. We analysed 88,124 DASA scores and found a significant association with violence (HR 1.79 (95% CI), AUC 0.73). We found that the AUCs were similar for subspecialized forensic, schizophrenia and acute care units (0.71, 0.73 and 0.75 respectively), and lower for geriatric units (0.66). We propose new violence risk categories based on the frequency of violence at each score. Discussion: Higher DASA scores are associated with higher risk of violent incidents in both forensic and non-forensic inpatient psychiatric units. The proposed violence risk groups help rule out patients at low risk of violence and may help identify patients who would most benefit from interventions to reduce violence.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».