Gendering Neighbourhood Marginalization Metrics in Mental Health Services Research: A Cross-Sectional Exploration of a Rural and Small Urban Population
Notice bibliographique
Résumé
Background: Little is known about the extent to which socioenvironmental characteristics may influence mental health outcomes in smaller population centres or differently among women and men. This study used a gender-based analysis approach to explore individual- and neighbourhood-level sex differences in mental health service use in a context of uniquely smaller urban and rural settlements. Methods: This cross-sectional analysis leveraged multiple person-based administrative health datasets linked with geospatial datasets among the population aged 1 and over in the province of New Brunswick, Canada. We used multinomial logistic regression to examine associations between neighbourhood characteristics with risk of service contacts for mood and anxiety disorders in 2015/2016, characterizing the areal measures among all residents (gender neutral) and by males and females separately (gender specific), and controlling for age group. Results: Among the province’s 707,575 eligible residents, 10.7% (females: 14.0%; males: 7.3%) used mental health services in the year of observation. In models adjusted for gender-neutral neighbourhood characteristics, service contacts were significantly more likely among persons residing in the most materially deprived areas compared with the least (OR = 1.09 [95% CI: 1.05–1.12]); when stratified by individuals’ sex, the risk pattern held for females (OR = 1.13 [95% CI: 1.09–1.17]) but not males (OR = 1.00 [95% CI: 0.96–1.05]). Residence in the most female-specific materially deprived neighbourhoods was independently associated with higher risk of mental health service use among individual females (OR = 1.08 [95% CI: 1.02–1.14]) but not among males (OR = 1.02 [95% CI: 0.95–1.10]). Conclusion: These findings emphasize that research needs to better integrate sex and gender in contextual measures aiming to inform community interventions and neighbourhood designs, notably in small urban and rural settings, to reduce socioeconomic inequalities in the burden of mental disorders.
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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».