MétaCan
Menu
Retour à la cohorte
Enregistrement W3158419252 · doi:10.2196/27818

The Impact of the COVID-19 Pandemic on Physical and Mental Health in China and Spain: Cross-sectional Study

2021· article· en· W3158419252 sur OpenAlexvenueno aff
Cuiyan Wang, María Inmaculada López-Núñez, Xiaoyang Wan, Yilin Tan, Linkang Xu, Faith Choo, Roger Ho, Cyrus S. H. Ho, Marta Evelia Aparicio García

Notice bibliographique

RevueJMIR Formative Research · 2021
Typearticle
Langueen
DomainePsychology
ThématiqueCOVID-19 and Mental Health
Établissements canadiensnon disponible
Organismes subventionnairesInstitute for Health Innovation and Technology, National University of Singapore
Mots-clésMental healthAnxietyMedicineDepression (economics)DemographyCross-sectional studyPandemicSore throatChinaCoronavirus disease 2019 (COVID-19)PsychologyPsychiatryGeographyDiseaseInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Differences in physical and mental health impact across continents during the COVID-19 pandemic are unknown. OBJECTIVE: This study compared the levels of impact of COVID-19 on mental health among people from Spain and China and correlated mental health parameters with variables relating to symptoms similar to COVID-19, COVID-19 knowledge, and precautionary measures. METHODS: We collected information on demographic data, physical symptoms, contact history with persons with a confirmed COVID-19 diagnosis, COVID-19 knowledge, and precautionary measures. Participants completed the Impact of Event Scale-Revised (IES-R) and the Depression, Anxiety and Stress Scale-21 Items (DASS-21). To analyze the differences in the mental health parameters, the mean scores between Chinese and Spanish respondents were compared using the independent samples t test. The differences in categorical variables between the two samples were analyzed by the chi-square test. Linear regression was used to calculate the univariate associations between the independent variables and mental health parameters for both groups separately, with adjustments made for age, gender, and education. RESULTS: A total of 1528 participants (Spain: n=687; China: n=841) were recruited. The mean age of the Chinese respondents was 24.73 years (SD 7.60; range 18-65 years), and the mean age of the Spanish respondents was 43.06 years (SD 11.95; range 18-76 years). Spanish participants reported significantly more symptoms similar to COVID-19 infection (eg, fever, sore throat, and breathing difficulties), contact history with COVID-19, higher perceived risk of contracting COVID-19, frequent use of medical services, and less confidence in medical services compared with their Chinese counterparts (P<.001). Spanish participants reported significantly higher DASS-21 stress and depression scores, while Chinese participants reported significantly higher IES-R scores (P<.001). Chinese participants encountered more discrimination from other countries (P<.001). Significantly more Chinese participants reported using face masks than Spanish ones (P<.001). More exposure to health information was associated with adverse mental health in Spain (depression: P=.02; anxiety: P=.02; stress: P=.001). CONCLUSIONS: Our study found that Spanish respondents reported higher levels of stress and depression as well as more symptoms and use of medical services. In preparation for the next pandemic, Spain needs to establish a prompt policy to implement rapid response and enhance medical services to safeguard physical and mental 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,050
Score d'incertitude au seuil0,099

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,178
Tête enseignante GPT0,598
Écart entre enseignants0,420 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations101
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetCOVID-19 and Mental HealthTravaux en français237 207