Mental ill-health during COVID-19 confinement
Notice bibliographique
Résumé
BACKGROUND: Confinement due to COVID-19 has increased mental ill-health. Few studies unpack the risk and protective factors associated with mental ill-health and addictions that might inform future preparedness. METHODS: Cross-sectional on-line survey with 37,810 Catalan residents aged 16+ years from 21 April to 20 May 2020 reporting prevalence of mental ill-health and substance use and associated coping strategies and behaviours. RESULTS: Weighted prevalence of reported depression, anxiety and lack of mental well-being was, respectively, 23, 26, and 75%, each three-fold higher than before confinement. The use of prescribed hypnosedatives was two-fold and of non-prescribed hypnosedatives ten-fold higher than in 2018. Women, younger adults and students were considerably more likely, and older and retired people considerably less likely to report mental ill-health. High levels of social support, dedicating time to oneself, following a routine, and undertaking relaxing activities were associated with half the likelihood of reported mental ill-health. Worrying about problems living at home, the uncertainty of when normality would return, and job loss were associated with more than one and a half times the likelihood of mental ill-health. With the possible exception of moderately severe and severe depression, length of confinement had no association with reported mental ill-health. CONCLUSIONS: The trebling of psychiatric symptomatology might lead to either to under-identification of cases and treatment gap, or a saturation of mental health services if these are not matched with prevalence increases. Special attention is needed for the younger adult population. In the presence of potential new confinement, improved mental health literacy of evidence-based coping strategies and resilience building are urgently needed to mitigate mental ill-health.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».