FATORES ASSOCIADOS A READMISSÕES DE PACIENTES COM TRANSTORNOS MENTAIS E USO DE SUBSTÂNCIAS
Bibliographic record
Abstract
RESUMO Objetivo: Analisar os fatores associados às readmissões de pacientes com transtornos mentais e uso de substâncias. Método: Estudo quantitativo, transversal e analítico. Os participantes são um hospital geral, um hospital universitário e uma Unidade de Pronto Atendimento da região metropolitana de Porto Alegre/RS, Brasil. Utilizou-se o instrumento interRAI Emergency Screener for Psychiatry. Foram realizadas análises descritivas e regressão logística para comparar as amostras e identificar fatores associados ao risco de múltiplas readmissões (quatro ou mais). Resultados: A amostra total foi composta por 324 pacientes (idade média: 41,79 ±14,27 anos, 61,04 % do sexo masculino), com quatro diagnósticos principais: transtornos do humor (29,14 %), transtornos relacionados ao uso de substâncias (27,70 %), esquizofrenia (23,74 %) e transtornos de ansiedade (19,42 %). A maioria dos indivíduos possuía internações prévias, especialmente no hospital universitário (81,82 %, p=0,006), mas não houve diferença significativa para múltiplas internações anteriores (4 ou mais), que variaram entre 34 % e 40 % nos locais de coleta de dados. O diagnóstico de transtornos relacionados ao uso de substâncias foi o fator com maior associação com múltiplas readmissões (OR=2,75; p=0,039), seguido por problemas comportamentais (OR=2,62; p=0,001) e mania (OR=2,28; p=0,012). O item sobre pensamentos intrusivos ou traumas prévios apresentou um odds ratio de 2,08 (p=0,016). A presença de suporte familiar e redes de apoio comunitário teve um efeito protetor, possivelmente prevenindo readmissões (OR=0,49; p=0,038). Conclusão: Considerando que o principal fator de risco para as readmissões são transtornos relacionados ao uso de substâncias, há urgência de investimentos nos Centros de Atenção Psicossocial para usuários de álcool e outras drogas.
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 | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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".