Place and health in diabetes: the neighbourhood environment and risk of depression in adults with Type 2 diabetes
Notice bibliographique
Résumé
BACKGROUND: Depression is a common co-illness in people with diabetes. Evidence suggests that the neighbourhood environment impacts the risk of depression, but few studies have investigated this effect in those with diabetes. We examined the effect of a range of neighbourhood characteristics on depression in people with Type 2 diabetes. METHODS: This cohort study used five waves of data from 1298 participants with Type 2 diabetes from the Diabetes Health Study (2008-2013). We assessed depression using the Patient Health Questionnaire. We measured neighbourhood deprivation using census data; density of services using geospatial data; level of greenness using satellite imagery; and perceived neighbourhood characteristics using survey data. The effect of neighbourhood factors on risk of depression was estimated using survival analysis, adjusting for sociodemographic variables. We tested effect modification by age, sex and socio-economic characteristics using interaction terms. RESULTS: More physical activity facilities, cultural services and a greater level of greenness in the neighbourhood were associated with a lower risk of depression in our sample, even after adjusting for confounders. Material deprivation was associated with increased risk of depression, particularly in participants who were older or retired. CONCLUSIONS: Characteristics of neighbourhoods were associated with the risk of depression in people with Type 2 diabetes and there were vulnerable subgroups within this association. Clinicians are encouraged to consider the neighbourhood environment of their patients when assessing the risk of depression. Future intervention research is need for health policy recommendations.
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) | 0,000 | 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 ».