Incorporating mental health into health impact assessment in the United States: a systematic review
Notice bibliographique
Résumé
Purpose Health impact assessment (HIA) is a systematic research and public engagement tool used to elevate health and equity in public policies. However, HIA practitioners often overlook potential mental health impacts. The purpose of this paper is to review the degree to which mental health is included in HIAs in the USA. Design/methodology/approach The authors conducted a systematic review of 156 HIAs that were completed between 1993 and 2013 for their inclusion of mental health. HIAs were subdivided to assess if mental health conditions or their determinants were measured, and if predictions or mitigation strategies were made in the scoping, assessment, or recommendations phases. Findings Overall, 73.1 percent of HIAs included mental health. Of the HIAs that included mental health ( n =114), 85.1 percent also included the determinants of mental health and 67.6 percent included mental health outcomes. 37.7 percent of HIAs measured baseline mental health conditions and 64.0 percent predicted changes in mental health as the result of implementing the proposed policy, plan, or program. Among the HIAs that made predictions about mental health, 79.5 percent included recommendations for potential changes in mental health, while only 46.6 percent had measured mental health at baseline. Research limitations/implications Although many HIAs included mental health in some capacity, this paper quantifies that mental health is not included in a robust way in HIAs in the USA. This presents a difficulty for efforts to address the growing issues of mental health and mental health inequities in the populations. Originality/value This paper represents the first academic endeavor to systematically assess the state of the field of HIA for its inclusion of mental health.
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 | 0,020 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».