Dispensing patterns of mental health medications before and during the COVID-19 pandemic in Alberta, Canada: An interrupted time series analysis
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has negatively impacted the general population in all aspects of life. Estimates of mental health medication dispensing in Alberta were investigated to elucidate areas of need within mental health and pharmacy practice during the pandemic. METHODS: We employed an interrupted time series analysis using linear regression models to estimate community and outpatient medication dispensing trends of 46 medications used to treat mental health disorders. Three parameters were examined. The first was the medication dispensing slope before COVID-19. The second was the immediate effect of COVID-19 on dispensing (i.e., the difference in dispensing rate between the month before and after the first case of COVID-19) and the third was the medication dispensing slope during COVID-19. RESULTS: = 34) of the examined medications remained similar before and during the COVID-19 pandemic. However, eight medications (i.e., amitriptyline, escitalopram, fluoxetine, paroxetine, bupropion, desvenlafaxine, venlafaxine, and oxazepam) showed an immediate and significant increase in dispensing rate following the onset of the pandemic that was sustained over the first 13-months of the pandemic. CONCLUSION: Initial increases in dispensing patterns of antidepressants may be attributed to a "stockpiling phenomenon" but the sustained higher levels of dispensing suggest an unfavorable shift in the population's mental health. Monitoring of medication dispensing patterns during COVID-19 may serve as a useful indicator of the population's mental health during the current pandemic and better prepare community pharmacists in future pandemic planning, medication dispensing strategies, and care of chronic medical conditions.
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 | 0,002 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».