MétaCan
Menu
Retour à la cohorte
Enregistrement W3188031704 · doi:10.2196/29953

The Association of Delayed Care With Depression Among US Middle-Aged and Older Adults During the COVID-19 Pandemic: Cross-sectional Analysis

2021· article· en· W3188031704 sur OpenAlexvenueno aff
Yan Luo

Notice bibliographique

RevueJMIR Aging · 2021
Typearticle
Langueen
DomainePsychology
ThématiqueCOVID-19 and Mental Health
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDepression (economics)MedicineCIDIPandemicCross-sectional studyLogistic regressionDemographyYoung adultCoronavirus disease 2019 (COVID-19)GerontologyPsychiatryAnxietyDiseaseInternal medicineAnxiety disorder

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: During the COVID-19 pandemic, the depression level among US adults has significantly increased. Age disparity in depression during the pandemic has been reported in recent studies. Delay or avoidance of medical care is one of the collateral damages associated with the COVID-19 pandemic, and it can lead to increased morbidity and mortality. OBJECTIVE: This study aimed to assess the prevalence of depression and delayed care among US middle-aged adults and older adults during the pandemic, as well as investigate the association of delayed care with depression among those 2 age groups. METHODS: This cross-sectional study used data from the 2020 Health and Retirement Study (HRS) COVID-19 Project (Early, Version 1.0). Univariate analyses, bivariate analyses, and binary logistic regression were applied. US adults older than 46 years were included. Depression was measured by the Composite International Diagnostic Interview-Short Form (CIDI-SF). Delayed care was measured by the following 4 items: delayed surgery, delayed seeing a doctor, delayed dental care, and other delayed care. RESULTS: A total of 3246 participants were identified. More than half of the participants were older than 65 years (n=1890, 58.2%), and 274 (8.8%) participants had depression during the pandemic. Delayed dental care was positively associated with depression among both middle-aged adults (OR 2.05, 95% CI 1.04-4.03; P=.04) and older adults (OR 3.08, 95% CI 1.07-8.87; P=.04). Delayed surgery was positively associated with depression among older adults (OR 3.69, 95% CI 1.06-12.90; P=.04). Self-reported pain was positively related to depression among both age groups. Middle-aged adults who reported higher education levels (some college or above) or worse self-reported health had a higher likelihood of having depression. While perceived more loneliness was positively associated with depression among older adults, financial difficulty was positively associated with depression among middle-aged adults. CONCLUSIONS: This study found that depression was prevalent among middle-aged and older adults during the pandemic. The study highlighted the collateral damage of the COVID-19 pandemic by identifying the association of delayed surgery and dental care with depression during the pandemic. Although surgery and dental care cannot be delivered by telehealth, telehealth services can still be provided to address patients' concerns on delayed surgery and dental care. Moreover, the implementation of telemental health services is needed to address mental health symptoms among US middle-aged and older adults during the pandemic. Future research that uses more comprehensive measurements for delayed care is needed to decipher the path through which delayed care is associated with depression.

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)0,004
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 enseignants0,010
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
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 Opus0,030
Tête enseignante GPT0,378
Écart entre enseignants0,348 · 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

Citations15
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR AgingMême sujetCOVID-19 and Mental HealthTravaux en français237 207