Identifying Factors That Predict Longitudinal Outcomes of Untreated Common Mental Disorders
Notice bibliographique
Résumé
OBJECTIVE: Historically, meeting criteria for a mental disorder has been used as a proxy for the need for mental health services, yet research suggests that a significant proportion of disorders remit without treatment. In this study, risk factors for poor longitudinal outcomes of individuals with untreated common mental disorders were determined, with the goal of identifying individuals with unmet need and informing the development of targeted interventions. METHODS: Data came from the National Epidemiologic Survey of Alcohol and Related Conditions (NESARC), a longitudinal, nationally representative survey of the adult U.S. population (age ≥18; N=34,653). Respondents were assessed for past-year depressive, anxiety, and substance use disorders and mental health service use via face-to-face interviews conducted at two time points, three years apart. Among respondents without a history of mental health treatment, logistic regression analyses examined factors associated with persistence of the disorder, comorbidity, or suicide attempt (that is, presence of any axis I disorder in the past year at wave 2 or any suicide attempt during the follow-up) versus spontaneous recovery of baseline disorders. RESULTS: Certain sociodemographic factors, comorbid mental disorders at baseline (such as three or more axis I disorders, adjusted odds ratio [AOR]=1.64, 95% confidence interval [CI]=1.27-2.12), and childhood maltreatment (AOR=1.47, CI=1.23-1.75) were predictors of disorder persistence, comorbidity, or suicide attempt in depressive, anxiety, and substance use disorders during the follow-up. CONCLUSIONS: In addition to considering the presence of a mental disorder, policy makers should consider other variables, such as childhood maltreatment and comorbidity, in estimating treatment need.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».