Suicide reduction in Canada during the COVID-19 pandemic: lessons informing national prevention strategies for suicide reduction
Notice bibliographique
Résumé
OBJECTIVE: The objective of this research was to evaluate the impact of federal, public health and social support programs on national suicide rates in Canada. DESIGN: Cross-sectional study. SETTING: Canadian National Database (i.e., Statistics Canada) and Statista. PARTICIPANTS: Population-level data, and economic and consumer market data. MAIN OUTCOME MEASURES: Suicide mortality data, population data and unemployment data were obtained from available statistical databases (e.g. Statistics Canada). We quantified suicide rate by dividing the total number of suicide deaths by the national population expressed as a rate per 100,000 population. RESULTS: Overall suicide mortality rate decreased in Canada from 10.82 deaths per 100,000 in the March 2019 - February 2020 period to 7.34 per 100,000 (i.e. absolute difference of 1300 deaths) in the March 2020 - February 2021 period. The overall Canadian unemployment rate changed from an average monthly rate of 5.7% in 2019 to 9.5% in 2020. CONCLUSION: Our results indicate that for the first post-pandemic interval evaluated (i.e., March 2020 - February 2021), suicide rates in Canada decreased against a background of extraordinary public health measures intended to mitigate community spread of COVID-19. An externality of public health measures was a significant rise in national unemployment rates in population measures of distress. Our results suggest that government interventions that broadly aim to reduce measures of insecurity (i.e., economic, housing, health), and timely psychiatric services, should be prioritised as part of a national suicide reduction strategy, not only during but after termination of the COVID-19 pandemic.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».