Les facteurs influençant l’utilisation des mesures d’isolement et de contentions en milieu psychiatrique intrahospitalier
Bibliographic record
Abstract
L’utilisation des mesures d’isolement et de contentions en milieu psychiatrique intrahospitalier se produit fréquemment en réponse à des comportements agressifs et continue de soulever la controverse. À cet égard, de plus en plus d’études tendent à démontrer que le personnel soignant travaillant sur ces unités est influencé par plusieurs facteurs de nature différente, notamment la perception de l’agressivité, quand vient le temps de prendre une décision quant à l’utilisation (ou non) de ces mesures coercitives. Méthodologie : Plus de trois cents membres du personnel soignant travaillant en milieu psychiatrique intrahospitalier ont été recrutés dans huit établissements psychiatriques du Québec. Dans un premier temps, un questionnaire leur a été distribué afin de mettre en relief les différents facteurs (individuels et organisationnels) ayant un impact sur l’utilisation des mesures coercitives. Simultanément, l’analyse factorielle de la version française de deux échelles permettant de mesurer la perception de l’agressivité en milieu hospitalier (le MOAS et le POAS) a été faite. Résultats : Un modèle final multivarié a démontré que le type d’unité psychiatrique, l’expression de la colère et de l’agressivité parmi les membres de l’équipe de soins, la perception de la fréquence de gestes autoagressifs et la perception de mesures de sécurité insuffisantes dans le milieu de travail étaient des prédicteurs indépendants de l’utilisation de procédures d’isolement et de contentions. L’analyse factorielle a pour sa part mis en évidence une structure à 4 facteurs pour le MOAS et à 3 facteurs pour le POAS, conformément à ce que l’on retrouvait dans la littérature scientifique. Conclusion : Ces résultats soulignent l’importance des facteurs organisationnels par rapport aux facteurs individuels dans l’utilisation des mesures coercitives en psychiatrie et la nécessité d’évaluer les perceptions quant à l’agressivité et à la sécurité chez le personnel soignant. En comprenant mieux les phénomènes qui amènent leur utilisation, il sera possible de trouver des alternatives aux mesures d’isolement et de contentions et ainsi réduire le recours à ces dernières.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.035 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".