The psychiatric impact of the 2020 beirut port explosion on civilians and relief workers
Notice bibliographique
Résumé
Introduction On August 4th 2020, a massive port explosion shook Beirut, killing at least 200, injuring more than 6,000 people and leaving more than a quarter of a million living in unfit homes. Various factors can participate in the severity of mental health outcomes of a disaster including the number of injuries, the degree of property destruction, unexpectedness of the occurrence of the event, and the type of the disaster. Objectives The main aim of this study is to assess the prevalence of post-traumatic stress disorder (acute stress disorder) and major depression at 1 and 6 months following the Beirut explosion. The secondary aim is to determine predictors of PTSD incidence among civilians and relief workers affected by the disaster. Methods This is a cross-sectional study with data collected via an online survey through convenience sampling. People will be recruited via social media platforms. To achieve a power of 80% and a two-sided significance of 5% and because gender differences will be explored, assuming a design effect (deff) of 2.5, a minimum sample of 960 participants would be needed. The survey will include sociodemographic data, questions about exposure levels to trauma and a psychiatric symptom inventory. Pearson’s Chi Square test will be used to examine the association between categorical variables and regression models will be run to examine the associations while controlling for confounders, including age, gender and others. Results The results from both rounds of data collection (months 1 and 6) will be available in late March 2021. Conclusions to follow based on results Disclosure No significant relationships.
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 | 0,001 | 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 | 0,001 | 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 ».