Interventions to Support Mental Health among Those with Health Conditions That Present Risk for Severe Infection from Coronavirus Disease 2019 (COVID-19): A Scoping Review of English and Chinese-Language Literature
Notice bibliographique
Résumé
This study aimed to address knowledge gaps related to the prevention and management of mental health responses among those with a condition that presents risk of severe COVID-19 infection. A scoping review that mapped English and Chinese-language studies (2019–2020) located in MEDLINE (Ovid), Cumulative Index to Nursing and Allied Health Literature (CINAHL), PsycInfo, Sociological Abstracts, Embase, China National Knowledge Infrastructure (CNKI), Wanfang Data, and Airiti Library was undertaken. Search terms related to COVID-19, mental health, and physical health were used and articles that included all three of these factors were extracted (n = 77). With the exception of one hospital-based pilot study, there were no intervention studies targeting mental health in those at risk of severe COVID-19 infection. Promising practices such as integrated care models that appropriately screen for mental health issues, address health determinants, and include use of digital resources were highlighted. Patient navigator programs, group online medical visits, peer support, and social prescribing may also support those with complex needs. Future policies need to address digital health access inequities and the implementation of multi-integrated health and social care. Furthermore, research is needed to comprehensively assess multi-integrated interventions that are resilient to public health crises.
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 | 0,008 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,009 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».