Adherence to follow-up in first-episode psychosis: ethnicity factors and case manager perceptions
Notice bibliographique
Résumé
Objective: There are disparities in mental health care access and adherence for visible minority (VM) patients. The objectives of this study were: 1) to determine whether VM patients with first-episode psychosis (FEP) are at higher risk for treatment non-adherence than White patients, and 2) to elicit the perceptions of case managers (CMs) regarding VM patients. Method: Data regarding 168 patients referred to a First-Episode Psychosis Clinic from 2008 to 2011 were collected via chart review. For 110 patients, a questionnaire filled by each patient's CM collected quantitative and qualitative data regarding the CMs' perceptions of patients' insight, cooperation, and adherence to appointments and medication. Differential treatment adherence in White and VM patients were tested via chi-square analyses. CM ratings of adherence were compared to objective data via Cohen's kappa. Qualitative data was analyzed via thematic analysis. Results: Black patients had poorer follow-up compared to other patients (Ï2=5.4, df=1, p=0.02). Concordance of CM-reported adherence and chart data was significant for the VM group only (kappa= 0.444, p=0.002). In CM perceptions, there was no significant difference between ethnic groups in adherence to appointments and medication, insight, or family involvement. Conclusions: Although Canada is often perceived as tolerant of diversity, our data regarding poor follow-up in Black patients indicate similar problems to those reported in the UK and US. Clinicians may have low expectations for VM patients and therefore notice more consistently when VM patients adhere well to treatment. This is the first study to examine ethnic differences in adherence to FEP follow-up in a Canadian setting.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».