RIPTOSO: The development of a screening tool for adverse events during forensic-psychiatric inpatient treatments of offenders with schizophrenia spectrum disorders
Notice bibliographique
Résumé
Adverse events such as compulsory measures, absconding, illicit substance use, self-harm, aggressive behavior, and prolonged hospitalization pose significant challenges in forensic psychiatric inpatient care. This study introduces a machine learning-based tool to predict these events in patients with schizophrenia spectrum disorders (SSD) upon admission. Data from 370 court-mandated forensic inpatients treated at an academic center in Zurich, Switzerland, were retrospectively analyzed. Twenty-seven variables, available upon admission in clinical settings, were tested using six machine learning algorithms (support vector machines (SVM), logistic regression, naive Bayes, gradient boosting, fine trees, and neural networks). Predictive performance was assessed using metrics such as area under the curve (AUC) and balanced accuracy. SVM demonstrated the highest performance, achieving an AUC of 0.79 and a balanced accuracy of 69.8 %. These results suggest that the tool can identify patients at higher risk for problematic treatment courses, enabling earlier interventions and more efficient resource allocation. The simplicity of the model, based on routinely collected data, enhances its clinical applicability. However, validation studies in multi-center and international settings are essential to confirm its robustness and generalizability. This tool represents a promising step toward integrating machine learning into forensic psychiatry to improve treatment outcomes and patient safety.
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 | 0,004 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».