The prevalence of depression, anxiety, and sleep disturbances in COVID‐19 patients: a meta‐analysis
Notice bibliographique
Résumé
Abstract Evidence from previous coronavirus outbreaks has shown that infected patients are at risk for developing psychiatric and mental health disorders, such as depression, anxiety, and sleep disturbances. To construct a comprehensive picture of the mental health status in COVID‐19 patients, we conducted a systematic review and random‐effects meta‐analysis to assess the prevalence of depression, anxiety, and sleep disturbances in this population. We searched MEDLINE, EMBASE, PubMed, Web of Science, CINAHL, Wanfang Data, Wangfang Med Online, CNKI, and CQVIP for relevant articles, and we included 31 studies ( n = 5153) in our analyses. We found that the pooled prevalence of depression was 45% (95% CI: 37–54%, I 2 = 96%), the pooled prevalence of anxiety was 47% (95% CI: 37–57%, I 2 = 97%), and the pooled prevalence of sleeping disturbances was 34% (95% CI: 19–50%, I 2 = 98%). We did not find any significant differences in the prevalence estimates between different genders; however, the depression and anxiety prevalence estimates varied based on different screening tools. More observational studies assessing the mental wellness of COVID‐19 outpatients and COVID‐19 patients from countries other than China are needed to further examine the psychological implications of COVID‐19 infections.
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 | 0,012 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,015 | 0,046 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».