Notice bibliographique
Résumé
The Economic Burden of PTSD. A brief review of salient literature Studies examine the economic burden of disease can be used to help policy makers set priorities for healthcare research and service provision [1]. These study types seek to quantify the economic impact of disease regardless of its origin or presentation. As such, policy makers are afforded the information allowing them to make decisions across and within therapeutic fields. Health economics deals with the scarcity of resources. Having accurate information about the economic cost of an illness helps policy makers prioritize, eventually leading to the allocation of healthcare resources [2]. Classified as an anxiety disorder, Post- Traumatic Stress Disorder (PTSD) is a condition that can have a significant negative impact on a person’s life [3]. The symptoms of PTSD include flashbacks, intrusive thoughts and nightmares, rumination and avoidance of areas or circumstances (WHO 2017). Figure 1 shows the ICD-10 (WHO 1992) diagnostic criteria for PTSD. Psychological trauma is associated with a number of mental health issues including schizophrenia [4], eating disorders [5] and addictions [6]. In recent years a link between PTSD and physical illnesses such as Type II diabetes [7], cardio-vascular disease [8], certain cancers [9] and fibromyalgia [10] has been noted in the literature. General population studies estimated a prevalence rate of PTSD of 3.6% (WHO 2013). The lifetime prevalence of PTSD in Vietnam War veterans was 16.9% [11] and a study of Canadian service veterans of the Iran war showed a prevalence of 12.9% [12]. UK service personnel returning from Iraq and Afghanistan report PTSD in 4% of cases [13]. In counties that have experienced civil conflict, the rates of PTSD are reported as 8.8% [14]. Given the wide-ranging impact then of PTSD, it is appropriate to examine the economic impact that PTSD has.
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 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| 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 | 0,001 |
| 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 ».