Leveraging Symptom Search Data to Understand Disparities in US Mental Health Care: Demographic Analysis of Search Engine Trace Data
Notice bibliographique
Résumé
Background In the United States, 1 out of every 3 people lives in a mental health professional shortage area. Shortage areas tend to be rural, have higher levels of poverty, and have poor mental health outcomes. Previous work has demonstrated that these poor outcomes may arise from interactions between a lack of resources and lack of recognition of mental illness by medical professionals. Objective We aimed to understand the differences in how people in shortage and nonshortage areas search for information about mental health on the web. Methods We analyzed search engine log data related to health from 2017-2021 and examined the differences in mental health search behavior between shortage and nonshortage areas. We analyzed several axes of difference, including shortage versus nonshortage comparisons, urban versus rural comparisons, and temporal comparisons. Results We found specific differences in search behavior between shortage and nonshortage areas. In shortage areas, broader and more general mental health symptom categories, namely anxiety (mean 2.03%, SD 0.44%), depression (mean 1.15%, SD 0.27%), fatigue (mean 1.21%, SD 0.28%), and headache (mean 1.03%, SD 0.23%), were searched significantly more often (Q<.0003). In contrast, specific symptom categories and mental health disorders such as binge eating (mean 0.02%, SD 0.02%), psychosis (mean 0.37%, SD 0.06%), and attention-deficit/hyperactivity disorder (mean 0.77%, SD 0.10%) were searched significantly more often (Q<.0009) in nonshortage areas. Although suicide rates are consistently known to be higher in shortage and rural areas, we see that the rates of suicide-related searching are lower in shortage areas (mean 0.05%, SD 0.04%) than in nonshortage areas (mean 0.10%, SD 0.03%; Q<.0003), more so when a shortage area is rural (mean 0.024%, SD 0.029%; Q<2 × 10–12). Conclusions This study demonstrates differences in how people from geographically marginalized groups search on the web for mental health. One main implication of this work is the influence that search engine ranking algorithms and interface design might have on the kinds of resources that individuals use when in distress. Our results support the idea that search engine algorithm designers should be conscientious of the role that structural factors play in expressions of distress and they should attempt to design search engine algorithms and interfaces to close gaps in care.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».