Prevalence of Mental Disorders among Older Chinese People in Tianjin City
Notice bibliographique
Résumé
OBJECTIVE: Population aging is accelerating across the world, and older people have a higher risk of mental disorders. Most studies focus on one mental disorder, and only report the current prevalence. Besides, these studies use screening scales for symptoms of mental disorders, which may induce biased results. In this study, we used data for diagnoses based on SCID that had been administered by trained psychiatrists to explore the 1-month and lifetime prevalence of mental disorders among a Chinese aged cohort. METHODS: Data for this study was derived from the Tianjin Mental Health Survey. Participants were first screened using a General Health Questionnaire and 9 additional items on other risk factors for mental disorders, and then diagnosed with the Chinese version of Structured Clinical Interview for Diagnostic and Statistical Manual (DSM-IV) Axis I disorders. A total of 3,325 people aged 60 and above had valid information, and 1,486 completed the SCID interview. RESULTS: The weighted 1-month prevalence of mental disorders was 14.27%, whereas the lifetime prevalence of mental disorders was 24.20%. Most of these participants were female, older, currently not married, of lower education level, and with poor family economic status. Organic mental disorders had the highest 1-month prevalence (4.45%), whereas mood disorder was highest for the lifetime prevalence (9.75%). CONCLUSION: Older Chinese people had a high prevalence of mental disorders. Further research and health services innovations are needed to address the high prevalence in these subgroups among older people.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 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) | 0,001 | 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 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 ».