Self-harming behaviors among forensic psychiatric patients living with intellectual disability
Notice bibliographique
Résumé
BACKGROUND: Individuals with intellectual disabilities (ID) are frequently involved in the criminal justice system, and many subsequently enter the forensic psychiatric system. While individuals with ID in forensic psychiatric settings are known to have a high burden of engaging in self-harming behaviors, limited studies have explored self-harming behaviors among them. AIM: To determine the prevalence of ID and explore the burden of self-harming behaviors and the associated factors among forensic psychiatric patients with ID. METHODS: This retrospective study utilized data on 155 patients diagnosed with ID under the Ontario Review Board during the reporting year 2014 to 2015. The primary outcome variable was engagement in physical self-harming behaviors. Factors associated with self-harm were identified using logistic regression analysis, performed with STATA-17. RESULTS: The prevalence of ID among forensic psychiatric patients in Ontario was found to be 13.1%. Of these patients, 43.2% had their Full-Scale Intelligence Quotient (FSIQ) score included in the report used for the database. The prevalence of self-harming behaviors among patients with ID was 9.7%. The likelihood of self-harm was significantly lower in males (adjusted odds ratio [aOR] = 0.02, 95% confidence interval [CI] = 0.002-0.47, p-value = 0.013) and significantly higher in those with a previous history of self-harm (aOR = 28.21, 95% CI = 1.61-494.66, p-value = 0.022). CONCLUSION: This study found a high burden of both ID and self-harm, especially among females and those with prior history of self-harming. These findings highlight the need for relevant resources, targeted interventions, and specialized programs to mitigate self-harm in this vulnerable population.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».