Variations between, and within, jurisdictions in the use of community treatment orders and other compulsory community treatment: study of 402 060 people across four Australian states
Notice bibliographique
Résumé
BACKGROUND: The use of compulsory community treatment (CCT) in Australia is some of the highest worldwide despite limited evidence of effectiveness. Even within Australia, use varies widely across jurisdictions despite general similarities in legislation and health services. However, there is much less information on whether variation occurs within the same jurisdiction. AIMS: To measure variations in the use of CCT in a standardised way across the following four Australian jurisdictions: Queensland, South Australia, New South Wales (NSW) and Victoria. We also investigated associated sociodemographic variables. METHODS: We used aggregated administrative data from the Australian Institute of Health and Welfare. RESULTS: There were data on 402 060 individuals who were in contact with specialist mental health services, of whom 51 351 (12.8%) were receiving CCT. Percentages varied from 8% in NSW to 17.6% in South Australia. There were also wide variations within jurisdictions. In NSW, prevalence ranged from 2% to 13%, in Victoria from 6% to 24%, in Queensland from 11% to 25% and in South Australia from 6% to 36%. People in contact with services who were male, single and aged between 25 and 44 years old were significantly more likely to be subject to CCT, as were people living in metropolitan areas or those born outside Oceania. CONCLUSIONS: There are marked variations in the use of CCT both within and between Australian jurisdictions. It is unclear how much of this variation is determined by clinical need and these findings may be of relevance to jurisdictions with similar clinician-initiated orders.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».