Coercive measures by Ontario forensic hospitals.
Notice bibliographique
Résumé
<div> The use of coercive measures such as seclusion and restraint in forensic mental healthcare settings is widespread but controversial. Efforts to reduce these measures require knowledge of patient-related risk factors. The present study aimed to identify and confirm factors related to seclusion and restraint that can be assessed upon admission among men and women admitted to forensic hospitals in Ontario, Canada. We included cross-sectional Ontario Mental Health Reporting System admission data for adult patients admitted to 10 forensic psychiatric hospitals between April 1, 2013, and March 31, 2023. We determined patient demographic, administrative, and clinical characteristics associated with seclusion and physical and manual restraint episodes during the first three days of admission. We conducted logistic Generalized Linear mixed Models (GLMM) to examine the association between the independent variables and restraint and seclusion while accounting for variability across facilities. Of 7635 patients, 30.2% (n = 2302) were secluded, and 3.7% (n = 286) were restrained within their first three days of admission. Secluded patients were more likely to be young adults, male, and scored higher on violence and aggression measures. Being admitted due to fitness-related reasons, lack of insight, medication non-adherence, higher scores on the mania scale and cognitive impairment further contributed to the higher odds of being secluded, whereas neurocognitive disorder diagnosis and elopement behavior were protective factors. Restrained patients were also more likely to be young adults, have a diagnosis of mood or anxiety, neurodevelopmental or personality disorder, and scored higher on violence and aggression measures. Fitness-related status, medication non-adherence, and cognitive impairment further contributed to this model of restraint. Indigenous self-identification and immigration status were not significant contributors to either model. Clinicians can assess indicators associated with seclusion and restraint when forensic patients are admitted to forensic hospitals or during the first three days of their stay, enabling effective targeting of those needs to reduce the use of coercive measures. </div>
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) | 0,540 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».