Healthy eating in persons with serious mental illnesses: Understanding and barriers.
Notice bibliographique
Résumé
OBJECTIVE: To explore the understanding of a healthy diet and the barriers to healthy eating in persons with serious mental illnesses. METHODS: In-depth semi-structured qualitative interviews about health behaviors were conducted in 31 individuals with serious mental illnesses. Participants were recruited from a mental health center in Chicago, Illinois, and ranged in age from 30 to 61 years old. RESULTS: Most participants described healthy eating as consuming fruits and vegetables, using low fat cooking methods, and limiting sweets, sodas, fast food, and/or junk food. Internal barriers to nutritional change included negative perceptions of healthy eating, the decreased taste and satiation of healthy foods, difficulty changing familiar eating habits, eating for comfort, and the prioritization of mental health. External barriers were the reduced availability and inconvenience of healthy foods, social pressures, and psychiatric medication side effects. CONCLUSIONS AND IMPLICATIONS FOR PRACTICE: This study revealed several modifiable barriers to healthy eating. Interventions that addressed these could aid in improving the diet and lowering the risk of cardiovascular disease in this population. Recommendations are to provide healthy eating education that is individualized, emphasizes the health consequences of poor eating, and provides opportunities to prepare and taste healthy foods. Family and friends should be included in all educational efforts. At community mental health centers and group homes, only healthy foods should be offered. Lastly, practitioners should encourage eating a healthy diet, inquire about eating in response to emotions, and explore the impact of psychiatric medications on eating behaviors.
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 | 0,001 | 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) | 0,001 | 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 ».