Examining Systemic and Interpersonal Bias in Violence Risk Assessments of Patients in Acute Psychiatric Care
Notice bibliographique
Résumé
OBJECTIVE: The assessment and management of inpatient risk for violence in acute psychiatric care are challenges that introduce the potential for bias. This study aimed to examine inequities based on social determinants of health (SDoH) (e.g., race-ethnicity, gender, or mode of admission to acute care) that may lead to unfair assessment of psychiatric patients. METHODS: The authors analyzed electronic health records of 7,424 acute care patients across 12,650 stays (2016-2022) at a large Canadian psychiatric hospital. Risk ratios (RRs) were calculated by SDoH for staff assessments of high risk (perceived risk), for violent incidents (actual risk), and for potentially biased risk assessment (particularly when a patient was assessed as high risk but did not become violent). RESULTS: In univariate analyses, patients assessed as high risk who did not become violent were more likely to be male than female and to be Black, Indigenous, or Middle Eastern than White. When RRs were mutually adjusted for all variables, the associations for gender and race-ethnicity were attenuated or were no longer statistically significant. Associations with potentially biased risks that remained significant included most psychiatric diagnoses (vs. a depressive or anxiety disorder), supportive or unstable housing (vs. owning a home), and admission by police (vs. self-admission; RR=2.14, 95% CI=1.92-2.40). CONCLUSIONS: Systemic factors, such as admission by police and housing status, and having severe mental illness were the primary drivers of observed inequities in risk assessments of patients from racial-ethnic minority groups. Addressing these systemic factors might be key to improving acute psychiatric care.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| 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 | 0,000 | 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 ».