Estimating the Prevalence of Mental and Substance Use Disorders: A Systematic Approach to Triangulating Available Data to Inform Health Systems Planning
Notice bibliographique
Résumé
OBJECTIVE: To estimate the prevalence of specific mental and substance use disorders (MSUDs), by age and sex, as a first step toward informing needs-based health systems planning by decision-makers. METHODS: We developed a conceptual framework and a systematic methodology for combining available data sources to yield prevalence estimates for specific MSUDs. Data sources used included published, peer-reviewed literature from Canada and comparable countries, Canadian population survey data, and health administrative data from British Columbia. Several well-established methodologies including systematic review and meta-analyses of published prevalence estimates, modelling of age- and sex-specific distributions, and the Global Burden of Disease severity distribution model were incorporated in a novel mode of triangulation. RESULTS: Using this novel approach, we obtained prevalence estimates for 10 MSUDs for British Columbia, Canada, as well as prevalence distributions across age groups, by sex. CONCLUSION: Obtaining reliable assessments of disorder prevalence and severity is a useful first step toward rationally estimating service need and plan health services. We propose a methodology to leverage existing information to obtain robust estimates in a timely manner and with sufficient granularity to, after adjusting for comorbidity and matching with severity-specific service bundles, inform need-based planning efforts for adult (15 years and older) mental health and substance use services.
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 | 0,269 | 0,515 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,043 | 0,028 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,005 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».