Alcohol use disorder among healthcare professional students: a structural equation model describing its effect on depression, anxiety, and risky sexual behavior
Notice bibliographique
Résumé
BACKGROUND: Mental health problems such as depression, anxiety and alcohol use disorders are among the leading causes of disability worldwide. Among university students, alcohol use and poor mental health are associated with risky sexual behavior. Given the syndemic occurrence of these disorders most especially in young adults, we describe the relationship between them so as to guide and intensify current interventions on reducing their burden in this population. METHODS: This was a cross-sectional study based on an online survey among healthcare professional university students that captured sociodemographic characteristics, risky sexual behavior, alcohol use disorder, generalized anxiety disorder, and depression. Structural equation modelling was used to describe the relationship between these variables using RStudio. RESULTS: = 44.437, df = 21, p-value = 0.01, CFI = 0.989, TFI = 0.980, RMSEA = 0.056]. All observed variables were found to fit significantly and positively onto their respective latent factors (AUD, anxiety, depression and risky sexual behavior). AUD was found to be significantly associated with risky sexual behavior (β = 0.381, P < 0.001), depression (β = 0.152, P = 0.004), and anxiety (β = 0.137, P = 0.001). CONCLUSION: AUD, depression and anxiety are a significant burden in this health professional student population and there's need to consider screening for anxiety and depression in students reporting with AUD so as to ensure appropriate interventions. A lot of attention and efforts should be focused on the effect of AUD on risky sexual behavior and continued health education is still required even among health professional students.
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 | 0,001 | 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».