FACTORS ASSOCIATED WITH READMISSIONS OF PATIENTS WITH MENTAL AND SUBSTANCE USE DISORDERS
Notice bibliographique
Résumé
ABSTRACT Objective: To analyze the factors associated with the readmissions of patients with mental and substance use disorders. Method: This is a quantitative, cross-sectional, and analytical study. Participants were enrolled from one general hospital, one university hospital and an Emergency Care Unit in the metropolitan area of Porto Alegre, RS, Brazil. The instrument used was the interRAI Emergency Screener for Psychiatry (interRAI ESP). Descriptive analysis and logistic regression were performed to compare the samples and identify factors associated with the risk of multiple readmissions (four or more). Results: The total sample consisted of 324 patients (average age: 41.79 ± 14.27 years, 61.04 % male), with four main diagnoses: mood disorders (29.14 %), substance use disorders (27.70 %), schizophrenia (23.74 %), and anxiety disorders (19.42 %). Most individuals had previous admissions, primarily at university hospital (81.82 %, p = 0.006), but no significant difference was found regarding multiple previous admissions (four or more), which ranged from 34 % to 40 % across data collection sites. A diagnosis of substance-related disorders was the factor most strongly associated with multiple readmissions (OR = 2.75; p = 0.039), followed by behavioral problems (OR = 2.62; p = 0.001) and mania (OR = 2.28; p = 0.012). The item on intrusive thoughts or previous trauma showed an odds ratio of 2.08 (p = 0.016). The presence of family support and community support networks had a protective effect, possibly preventing readmissions (OR = 0.49; p = 0.038). Conclusion: Considering that the main risk factor for readmissions is substance use disorders, there is an urgent need for investments in the Psychosocial Care Centers for alcohol and other drug users.
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 | 0,000 |
| 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 | 0,000 | 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) | 0,001 | 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 ».