Synthesis through Simulation: Insights on the Epidemiology of Mood and Anxiety Disorders in Canada
Notice bibliographique
Résumé
OBJECTIVE: Prevalence estimates for mood and anxiety disorders in Canada are available, but various methodological approaches have produced inconsistent results. Simulation studies involve careful examination of available data by an expert modelling team working together with subject matter experts. Simulation can integrate datasets and literature-based estimates from various sources into a coherent mathematical representation of the underlying total population epidemiology. METHODS: Supported by the Mental Health Commission of Canada, a simulation modelling project for mental disorders in Canada was recently undertaken. The modelling was carried out by RiskAnalytica using their Life at Risk platform. Specification and calibration of the model occurred in consultation with national and international experts. RESULTS: To reconcile estimates of incidence and prevalence, recall bias needed to be represented in the model. This suggests that the population prevalence of mood and anxiety disorders has been underestimated by population surveys and may explain a discrepancy observed in the age-specific prevalence in population surveys as compared with studies using administrative data. The number of Canadians with mood and anxiety disorders is projected to increase in upcoming decades as a result of population growth, but, based on conservative assumptions, an increased prevalence proportion is not anticipated. CONCLUSIONS: Simulation models can act as a platform for economic analyses and epidemiologic projections and can support the rapid exploration of what-if scenarios, thereby informing policy decisions. This first national-level simulation provides a high level overview of mood and anxiety disorder epidemiology in Canada.
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 | 0,003 | 0,002 |
| 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 ».