Implementation research in forensic mental health: a scoping review
Notice bibliographique
Résumé
BACKGROUND: Forensic mental health (FMH) serves as a critical juncture between the mental health and criminal justice systems. Factors on multiple levels - including sociopolitical, organizational, and individual- pose challenges to conducting implementation research in these settings. This hinders the uptake of evidence-based interventions and improvements to patient outcomes. This study examined implementation research conducted in FMH settings to understand its current state and inform future implementation research and practice. METHODS: We conducted a scoping review following the Joanna Briggs Institute methodology. A comprehensive literature search was performed across seven databases from their inception through April 2024, supplemented by searches in Google Scholar and six review studies, to identify relevant research. We analyzed included studies descriptively to explore determinants, strategies, and outcomes associated with the implementation of evidence-, or policy-based interventions in FMH. RESULTS: Of the 1327 records retrieved, 41 implementation studies were included. All studies were conducted in high-income countries and focused on interventions such as risk assessment, rehabilitation, patient support, and technology interventions, primarily using qualitative approaches. Key determinants for implementing interventions in FMH included individual characteristics (e.g., motivation, capacity) and inner setting factors (e.g., intervention compatibility with existing practices, access to knowledge and information). Various strategies, such as using evaluative and iterative strategies, training and educating stakeholders, changing infrastructure, and engaging consumers have been used to facilitate intervention uptake in FMH. Implementation outcomes primarily focused on uptake, fidelity, and acceptability. CONCLUSIONS: There is a clear need for more implementation research using rigorous study designs in FMH. Multilevel implementation strategies should be employed to address barriers from both the inner settings and individual characteristics, thereby promoting the successful implementation of interventions in FMH. Future implementation research should incorporate a health equity lens throughout the research process to enhance inclusivity and improve reporting on implementation strategies to support replications of interventions in FMH.
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 | 0,112 | 0,316 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,009 | 0,009 |
| Bibliométrie | 0,040 | 0,042 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,013 | 0,010 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,008 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».