Notice bibliographique
Résumé
Background: Mental health concerns in late-life is a growing public health challenge as the population aged 65 and older rapidly increases locally and worldwide. An updated understanding of the causes of mood disorders in late-life and their consequences could guide interventions for this underrecognized and undertreated problem. We undertook a population-based analysis to quantify the prevalence of mood disorders in late-life in Ontario, Canada and to identify potential risk factors, and consequences.
 Methods: Individuals aged 65 or older participating in 4 cycles of a nationally-representative survey were included. A self-reported diagnosis of a mood disorder was used to classify individuals with mood disorders. Using linked administrative data, we quantified associations between potential risk factors, such as demographic/socioeconomic factors, substance use, and morbidity, and mood disorder. We also determined associations between mood disorders and outcomes (health service utilization and mortality) 5 years after the index interview date.
 Findings: The overall prevalence of mood disorders was 6.1% (4.9% among males,7.1% among females). The proportion of individuals with a mood disorder was higher among females for all potential risk factors. Statistically significant associations with mood disorder included age, sex, food insecurity, chronic opioid use, smoking, and morbidity. Individuals with mood disorders had increased odds of all long-term consequences, including hospitalization (adjusted OR [odds ratio]=1.55 95% CI [confidence interval]: 1.31-1.83); admission to long-term care (adjusted OR=2.28 95% CI: 1.71-3.02); and death (adjusted OR=1.35 95% CI: 1.13-1.63).
 Interpretation: Mood disorders in late-life were strongly correlated with demographic and social/behavioural factors as well as long-term health utilization outcomes. The understanding of correlations between potential risk factors for mood disorders in late-life provides a basis for potential interventions to reduce their occurrence and consequences. Interventions that target females, younger age groups, those with food insecurity or substance use, and individuals with co-morbidities may be promising.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».