Understanding the effects of housing first for homeless people with mental illness on patterns of service use over time: an application of latent class growth analysis
Notice bibliographique
Résumé
Contexte: Des études antérieures ont établi l'efficacité du Housing First (HF) dans la réduction de l'utilisation d'autres services chez les personnes sans abri atteintes de maladie mentale. On en sait moins sur la façon dont HF affecte les modes d'utilisation des services au fil du temps et les caractéristiques associées aux diverses trajectoires d'utilisation. Objectifs: Identifier les trajectoires d'utilisation des refuges d'urgence et des visites ambulatoires, ainsi que les prédicteurs d'appartenance à ces trajectoires, dans le cadre d'un essai contrôlé randomisé de HF mené dans cinq villes canadiennes. Méthodes: Les données de l'étude expérimentale At Home/Chez Soi ont été utilisées. Des Canadiens en situation d'itinérance atteints de maladie mentale ont été recrutés entre octobre 2009 et juillet 2011 et ont été répartis au hasard en groupes HF ou traitement habituel. L'analyse de la croissance des classes latentes a été utilisée pour identifier les trajectoires de classes de l'utilisation de deux services coûteux sur 24 mois: les refuges (n = 2058) et les visites ambulatoires (n = 2127). La régression logistique multinomiale a été utilisée pour déterminer quelles variables mesurées au moment de l'entrée dans l'étude, y compris le groupe de traitement, pouvaient prédire l'appartenance à une classe. Résultats: Quatre catégories de trajectoires ont été identifiées pour l'utilisation des refuges: toujours faible, généralement faible, augmentation précoce et augmentation tardive. Ceux qui étaient inscrits dans HF, de même que ceux d'âge plus jeune, qui avaient passé moins de temps en itinérance, qui abusaient ou étaient dépendants à l'alcool et avaient un risque modéré ou élevé de suicide, avaient des chances plus élevées de connaître des trajectoires de faible utilisation des refuges. Quatre trajectoires de visites ambulatoires en santé mentale et en toxicomanie (excluant les visites d'intervention) ont été identifiées: décroissante-puis-croissante, croissante, décroissante, et toujours faible. Lorsque les visites d'intervention ont été incluses, les classes résultantes sont devenues: principalement décroissantes, augmentées jusqu'à mi-chemin puis déclin graduel, forte baisse puis constamment faible et toujours faible. Quatre trajectoires ont également été identifiées pour les visites de santé physique: déclin général, montée jusqu'à mi-chemin puis diminution, chute brutale puis constamment faible et enfin toujours faible. Les participants à HF étaient plus susceptibles de connaître une trajectoire de visites faible ou décroissante par rapport aux services habituels, pour les visites de toxicomanie/de santé mentale (à l'exclusion des visites d'intervention) et de santé physique. D'autres variables associées à des visites ambulatoires de moindre dépendance ou de santé mentale comprenaient le fait de ne pas avoir d'antécédents autochtones ou minoritaires, pas d'antécédents d'hospitalisation psychiatrique, pas de trouble psychotique au départ et un niveau de fonctionnement inférieur. Les variables associées à avoir moins de visites de santé incluaient le fait d'être un homme, de ne pas avoir d'origine autochtone ou minoritaire, un niveau de scolarité inférieur, un abus de drogue ou une dépendance, un fonctionnement inférieur, moins de soutien social familial et moins de comorbidités physiques.Conclusion: Cette étude décrit les effets de HF et d'autres caractéristiques à l'entrée dans l'étude sur la probabilité de suivre des trajectoires particulières d'utilisation des refuges et de visites ambulatoires. Les résultats indiquent une hétérogénéité non seulement dans les profils d'utilisation des services, mais aussi dans les caractéristiques des utilisateurs de services. Une meilleure compréhension des trajectoires d'utilisation des services et des caractéristiques des personnes ayant des profils d'utilisation coûteux peut aider à informer la planification des services et contribuer aux efforts de modélisation de l'itinérance.
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 | 0,008 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».