Climate change, climate-related disasters and mental disorder in low- and middle-income countries: a scoping review
Notice bibliographique
Résumé
INTRODUCTION: Climate change and climate-related disasters adversely affect mental health. Low- and middle-income countries (LMICs) are particularly vulnerable to the impacts of climate change and climate-related disasters and often lack adequate mental healthcare infrastructure. We used the scoping review methodology to determine how exposure to climate change and climate-related disasters influences the presence of mental disorders among those living in LMICs. We also aimed to recognise existing gaps in this area of literature. METHODS: This review followed the Preferred Reporting Items for Systematic reviews and Meta-Analyses extension for Scoping Reviews checklist. To identify relevant studies, we searched five electronic databases (MEDLINE, EMBASE, Global Health, APA PsycInfo and Sociological Abstracts) from 1 January 2007 to 31 December 2019. We also searched the grey literature. Included studies had an adult-focused LMIC population, a climate change or climate-related disaster exposure and a mental disorder outcome. Relevant study information was extracted and synthesised. RESULTS: Fifty-eight studies were identified, most of which (n=48) employed a cross-sectional design. The most commonly studied exposure-outcome combinations were flood-related post-traumatic stress disorder (PTSD) (n=28), flood-related depression (n=15) and storm-related PTSD (n=13). The majority of studies identified a positive exposure-outcome association. However, few studies included a baseline or comparator (ie, unexposed) group, thereby limiting our understanding of the magnitude or nature of this association. There was also great heterogeneity in this literature, making studies difficult to pool or compare. Several research gaps were identified including the lack of longitudinal studies and non-uniformity of geographic coverage. CONCLUSION: To our knowledge, this was the first scoping review to investigate the relationship between climate change and climate-related disaster exposures and mental disorder outcomes in LMICs. Our findings support the need for further research, but also highlight that mental health should be a priority within LMIC climate change policy considerations.
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 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,017 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,001 |
| 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 ».