Neighbourhood characteristics and depression in community-dwellers with and without a chronic condition
Notice bibliographique
Résumé
Contexte: La dépression est un problème de santé publique majeur. Des études montrent des associations entre certaines caractéristiques du voisinage et la dépression. Par contre, nous ne savons toujours pas quels aspects du voisinage ont le plus grand impact sur la dépression, quelles personnes sont les plus affectées et par quel mécanisme existe cette association. Les personnes ayant une maladie chronique dépendent du soutien et des ressources de leur voisinage, et donc pourraient être particulièrement vulnérables par leurs contextes environnementaux. Objectifs: Évaluer l'association entre les caractéristiques du voisinage et le risque de dépression chez des adultes avec et sans maladie chronique (objectif 1); examiner les modérateurs et les médiateurs qui contribuent à cette association (objectif 2); et étudier la relation entre les caractéristiques de voisinage et les changements de la dépression à travers le temps (objectif 3). Conception et méthodes: Cette thèse est une l'analyse de données secondaires tirées de deux enquêtes canadiennes, combinées avec des données provenant de recensements, de bases de données géospatiales, d'imagerie satellite, et de sondages. En premier lieu, j'ai adopté une perspective globale des effets de voisinage dans la population générale en me servant de 10 ans de données de l'Enquête nationale sur la santé de la population (ENSP 2000/01-2010/11, n = 17,276 au départ). En deuxièmement lieu, je me suis portée plus spécifiquement sur les personnes atteintes de diabète de type 2, en me servant de 5 ans de données de l'Étude sur la santé du diabète (ESD; 2008-2013; n = 2003 au départ). Les analyses des deux enquêtes ont été faites séparément. La dépression a été mesurée à l'aide d'outils de dépistage. Pour l'objectif 1, j'ai effectué des analyses de survie pour examiner les associations entre les caractéristiques du voisinage et le risque de dépression chez les gens avec et sans maladie chronique. Pour l'objectif 2, j'ai testé des modérateurs en incluant des termes d'interaction dans les modèles et j'ai testé des potentiels à l'aide du modèle de risques additifs. Pour l'objectif 3, j'ai utilisé une analyse de croissance de classe latente afin d'examiner l'effet des caractéristiques des voisinages sur les trajectoires de la dépression. Projet 1 - Voisinages et le risque de dépression chez les personnes avec et sans maladie chronique (des données de l'ENSP). Les caractéristiques des voisinages n'étaient pas associées de façon significative à un risque de dépression dans l'échantillon général, ni dans les sous-échantillons de personnes ayant une maladie chronique. Cependant, l'analyse des modérateurs a révélé qu'habiter près d'un parc était associé à un risque de dépression moindre pour les personnes vivant dans des logements surpeuplés. Projet 2 - Voisinages et le risque de dépression chez les personnes atteintes de diabète (données de l'ESD). Un plus grand nombre d'installations d'activité physique, de services culturels, et un taux plus élevé de verdure dans le voisinage étaient associés à un risque moindre de dépression. La privation matérielle était associée à un risque accru de dépression, en particulier chez les personnes avec le diabète qui étaient plus âgés ou à la retraite. La réduction des complications du diabète et de l'invalidité était des médiateurs importants expliquant le lien entre les installations d'activité physique et la dépression chez les personnes diabétiques. Projet 3 - Voisinages et trajectoires de dépression au cours du temps (données de l'ENSP). La modélisation de croissance de classe latente a révélé trois trajectoires de prévalence de dépression majeure: faible prévalence, prévalence modéré diminuant avec le temps, et prévalence élevée chronique. La présence de parcs et de services culturels dans le voisinage était associée de façon significative à un changement dans la trajectoire de dépression élevée chronique vers une probabilité moindre de dépression majeure.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».