A large‐scale meta‐analytic atlas of mental health problems prevalence during the COVID‐19 early pandemic
Notice bibliographique
Résumé
The COVID-19 pandemic and related restrictions can impact mental health. To quantify the mental health burden of COVID-19 pandemic, we conducted a systematic review and meta-analysis, searching World Health Organization COVID-19/PsycInfo/PubMed databases (09/29/2020), including observational studies reporting on mental health outcomes in any population affected by COVID-19. Primary outcomes were the prevalence of anxiety, depression, stress, sleep problems, posttraumatic symptoms. Sensitivity analyses were conducted on severe mental health problems, in high-quality studies, and in representative samples. Subgroup analyses were conducted stratified by age, sex, country income level, and COVID-19 infection status. One-hundred-seventy-three studies from February to July 2020 were included (n = 502,261, median sample = 948, age = 34.4 years, females = 63%). Ninety-one percent were cross-sectional studies, and 18.5%/57.2% were of high/moderate quality. The highest prevalence emerged for posttraumatic symptoms in COVID-19 infected people (94%), followed by behavioral problems in those with prior mental disorders (77%), fear in healthcare workers (71%), anxiety in caregivers/family members of people with COVID-19 (42%), general health/social contact/passive coping style in the general population (38%), depression in those with prior somatic disorders (37%), and fear in other-than-healthcare workers (29%). Females and people with COVID-19 infection had higher rates of almost all outcomes; college students/young adults of anxiety, depression, sleep problems, suicidal ideation; adults of fear and posttraumatic symptoms. Anxiety, depression, and posttraumatic symptoms were more prevalent in low-/middle-income countries, sleep problems in high-income countries. The COVID-19 pandemic adversely impacts mental health in a unique manner across population subgroups. Our results inform tailored preventive strategies and interventions to mitigate current, future, and transgenerational adverse mental health 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 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 | 0,034 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,034 |
| Bibliométrie | 0,011 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».