Mental health services for infectious disease outbreaks including COVID-19: a rapid systematic review
Notice bibliographique
Résumé
The upsurge in the number of people affected by the COVID-19 is likely to lead to increased rates of emotional trauma and mental illnesses. This article systematically reviewed the available data on the benefits of interventions to reduce adverse mental health sequelae of infectious disease outbreaks, and to offer guidance for mental health service responses to infectious disease pandemic. PubMed, Web of Science, Embase, PsycINFO, WHO Global Research Database on infectious disease, and the preprint server medRxiv were searched. Of 4278 reports identified, 32 were included in this review. Most articles of psychological interventions were implemented to address the impact of COVID-19 pandemic, followed by Ebola, SARS, and MERS for multiple vulnerable populations. Increasing mental health literacy of the public is vital to prevent the mental health crisis under the COVID-19 pandemic. Group-based cognitive behavioral therapy, psychological first aid, community-based psychosocial arts program, and other culturally adapted interventions were reported as being effective against the mental health impacts of COVID-19, Ebola, and SARS. Culturally-adapted, cost-effective, and accessible strategies integrated into the public health emergency response and established medical systems at the local and national levels are likely to be an effective option to enhance mental health response capacity for the current and for future infectious disease outbreaks. Tele-mental healthcare services were key central components of stepped care for both infectious disease outbreak management and routine support; however, the usefulness and limitations of remote health delivery should also be recognized.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| Bibliométrie | 0,000 | 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) | 0,002 | 0,001 |
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 ».