Comorbidity Patterns of Psychiatric Conditions in Canadian Armed Forces Personnel
Notice bibliographique
Résumé
Objective: Posttraumatic stress disorder (PTSD) is often accompanied by other mental health conditions, including major depressive disorder (MDD), substance misuse disorders, and anxiety disorders. The objective of the current study is to delineate classes of comorbidity and investigate predictors of comorbidity classes amongst a sample of Canadian Armed Forces (CAF) Regular Force personnel. Methods: Latent class analyses (LCAs) were applied to cross-sectional data obtained between April and August 2013 from a nationally representative random sample of 6700 CAF Regular Force personnel who deployed to the mission in Afghanistan. Results: MDD was the most common diagnosis (8.0%), followed by PTSD (5.3%) and generalized anxiety disorder (4.7%). Of those with a mental health condition, LCA revealed 3 classes of comorbidity: a highly comorbid class (8.3%), a depressed-only class (4.6%), and an alcohol use–only class (3.1%). Multinomial logit regression showed that women (adjusted relative risk ratio [ARRR] = 2.77; 95% CI, 2.13 to 3.60; P < 0.01) and personnel reporting higher trauma exposure (ARRR = 4.18; 95% CI, 3.13 to 5.57; P < 0.01) were at increased risk of membership in the comorbid class compared to those without a mental health condition. When compared to those with no mental health condition, experiencing childhood abuse increased the risk of being in any comorbidity class. Conclusions: Results provide further evidence to support screening for and treatment of comorbid mental health conditions. The role of sex, childhood abuse, and combat deployment in determining class membership may also prove valuable for clinicians treating military-related mental health conditions.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».