Prevalence of mental illness, substance use disorder, and dual diagnosis among adults in custody
Notice bibliographique
Résumé
BACKGROUND: The prevalence of mental illness, substance use disorders, and their dual diagnosis is disproportionately high among people in prisons compared to the community. Accurate prevalence estimates are required to inform resourcing of prison health services and reduce the risk of harm to people experiencing these conditions. Existing estimates, where available, often rely on only one data source. METHOD: We used three data sources - self-reported history of diagnoses, in-prison medical records, and administrative data to estimate the prevalence of mental illness, substance use disorder, and dual diagnosis among two large cohorts of non-Indigenous and Aboriginal and Torres Strait Islander people in Australian prisons. We calculated population-weighted proportions of the samples with each condition. Inter-rater reliability metrics inform data source agreement. RESULTS: The prevalence of mental illness only, substance use disorder only, and dual diagnosis was 17.0% (95%CI 12.0-24.5), 14.8% (95%CI 9.6-18.1), and 44.2% (95%CI 33.2-54.7), respectively, for incarcerated, non-Indigenous adults. For incarcerated Aboriginal and Torres Strait Islander adults, our corresponding estimates were 7.0% (95%CI 4.3-11.5), 26.8% (95%CI 18.9-33.5), and 40.9% (95%CI 30.1-48.2). These estimates differed significantly from those derived from singular data sources. Individual data sources' agreement was weakest for substance use disorder diagnoses and strongest for dual diagnoses. CONCLUSIONS: Individual data sources likely have high specificity and low sensitivity, thus under-ascertaining diagnoses. We recommend using multiple data sources to estimate prevalence to ensure adequate ascertainment of these conditions among people in prison and to ensure in-prison and transitional health services are appropriately resourced.
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 | 0,001 | 0,002 |
| 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 ».