The Prevalence and Associated Factors of Depressive Symptoms Among Medical Students in Bangladesh During the COVID-19 Pandemic: A Cross-Sectional Pilot Study
Notice bibliographique
Résumé
Background: Whilst very limited studies have demonstrated a correlation between the COVID-19 pandemic and depressive symptoms amongst Bangladeshi medical students, the prevalence and associated factors of depressive symptoms as measured by the Patient Health Questionnaire (PHQ-9) remains widely unknown. Objective: The study aimed to investigate the prevalence and factors associated with depression symptoms among Bangladeshi medical students during the COVID-19 pandemic lockdown period. Method: In this web-based cross-sectional pilot study, medical students' data was collected using the Google Forms web survey platform after obtaining electronic informed consent. A total of 425 medical students were selected using a systematic sampling technique to accumulate depression symptoms and demographic and pandemic-related information. Depression was measured by a self-administered, validated English version of the Patient Health Questionnaire (PHQ-9) tool. The descriptive analysis utilized frequency and percentages, while the stepwise binary logistic regression analysis was performed to investigate the factors associated with depressive symptoms. Result: Among 425 medical students, 62.3% were female, 97.4% unmarried. Almost 80.2% of medical students had mild to severe levels of depressive symptoms as characterized by PHQ-9. A significantly higher probability of depression was found amongst female students (adjusted OR = 1.8), those who struggled to stay away from social media (adjusted OR = 1.8), those who tried to be optimistic for maintaining better psychology (adjusted OR = 11.1), and those who always had a sleeping difficulty in the last 4 weeks (adjusted OR = 8.9). Conclusion: A very high prevalence of depression symptoms among Bangladeshi medical students was found across the majority of socio-demographic variables. The alarming prevalence and associated factors of depression suggests the need for follow-intensity psychosocial interventions designed for medical students during 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».