Mental disorders and distress: Associations with demographics, remoteness and socioeconomic deprivation of area of residence across Australia
Notice bibliographique
Résumé
OBJECTIVES: Australian policy-making needs better information on socio-geographical associations with needs for mental health care. We explored two national surveys for information on disparities in rates of mental disorders and psychological distress. METHODS: Secondary data analysis using the 2011/2012 National Health Survey and 2007 National Survey of Mental Health and Wellbeing. Key data were the Kessler 10 scores in adults in the National Health Survey (n = 12,332) and the National Survey of Mental Health and Wellbeing (n = 6558) and interview-assessed disorder rates in the National Survey of Mental Health and Wellbeing. Estimation of prevalence of distress and disorders for sub-populations defined by geographic and socioeconomic status of area was followed by investigation of area effects adjusting for age and gender. RESULTS: Overall, approximately one person in 10 reported recent psychological distress at high/very-high level, this finding varying more than twofold depending on socioeconomic status of area with 16.1%, 13.3%, 12.0%, 8.4% and 6.9% affected in the most to least disadvantaged quintiles, respectively, across Australia in 2011/2012. In the most disadvantaged quintile, the percentage (24.4%) with mental disorders was 50% higher than that in the least disadvantaged quintile (16.9%) in 2007, so this trend was less strong than for Kessler10 distress. CONCLUSION: These results suggest that disparities in mental health status in Australia based on socioeconomic characteristics of area are substantial and persisting. Whether considering 1-year mental disorders or 30-day psychological distress, these occur more commonly in areas with socioeconomic disadvantage. The association is stronger for Kessler10 scores suggesting that Kessler10 scores behaved more like a complex composite indicator of the presence of mental and subthreshold disorders, inadequate treatment and other responses to stressors linked to socioeconomic disadvantage. To reduce the observed disparities, what might be characterised as a 'Whole of Government' approach is needed, addressing elements of socioeconomic disadvantage and the demonstrable and significant inequities in treatment provision.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».