Decomposing socioeconomic inequality in poor mental health among Iranian adult population: results from the PERSIAN cohort study
Notice bibliographique
Résumé
BACKGROUND: Socioeconomic inequality in mental health in Iran is poorly understood. This study aimed to assess socioeconomic inequality in poor mental health among Iranian adults. METHODS: The study used the baseline data of PERSIAN cohort study including 131,813 participants from 17 geographically distinct areas of Iran. The Erreygers Concentration index (E) was used to quantify the socioeconomic inequalities in poor mental health. Moreover, we decomposed the E to identify factors contributing to the observed socioeconomic inequality in poor mental health in Iran. RESULTS: The estimated E for poor mental health was - 0.012 (95% CI: - 0.0144, - 0.0089), indicating slightly higher concentration of mental health problem among socioeconomically disadvantaged adults in Iran. Socioeconomic inequality in poor mental health was mainly explained by gender (19.93%) and age (12.70%). Region, SES itself, and physical activity were other important factors that contributed to the concentration of poor mental health among adults with low socioeconomic status. CONCLUSION: There exists nearly equitable distribution in poor mental health among Iranian adults, but with important variations by gender, SES, and geography. These results suggested that interventional programs in Iran should focus on should focus more on socioeconomically disadvantaged people as a whole, with particular attention to the needs of women and those living in more socially disadvantaged regions.
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 | 0,000 | 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 ».