Effects of cumulative trauma from multiple natural disasters
Notice bibliographique
Résumé
Introduction Fort McMurray, a city in northern Alberta, Canada, has experienced multiple traumatic events in the last five years, including the 2016 wildfire, the 2020 floods, and the COVID-19 pandemic. Traumatic events often lead to increased mental health burdens in affected communities. Objectives To assess if the number of traumatic events experienced by residents of Fort McMurray correlates with the prevalence and severity of mental health issues experienced. Methods A cross-sectional study using an online survey questionnaire was used to gather demographic, trauma (wildfire, flooding, and COVID-19), and clinical information from the resident of Fort McMurray between April 24 to June 2 2021. Likely Generalized Anxiety Disorder (GAD), Major Depressive Disorder (MDD), Post-Traumatic Stress Disorder (PTSD) and low resilience were measured using standardized rating scales. Data were analyzed with SPSS version 26 using Chi-Square tests and multivariate regression analysis. Results Respondents who experienced COVID-19 and either flood or wildfire traumas ( N = 101) were eleven times more likely to have GAD symptoms (OR: 11.39; 95% CI: 1.43-91.04), four times more likely to have likely MDD, (OR: 3.85; 95% CI: .995-14.90), ten times more likely to have likely PTSD (OR: 10.47; 95% CI: 1.28-85.67), and low resilience (OR: 10.56; 95% CI: 1.21-92.17). Respondents who experienced COVID-19, flooding, and wildfire traumas ( N = 47) were eighteen times more likely to express GAD symptoms (OR: 18.30; 95% CI: 2.20-152.45) and more than eleven times likely to have likely PTSD (OR: 11.41; 95% CI: 1.34-97.37) in comparison to the respondents who experienced COVID-19 only trauma ( N = 19). Conclusions Measures to reduce climate change and associated natural disasters could reduce the impact of cumulative trauma and associated mental health burden in vulnerable populations. It is essential that more mental health resources are mobilized to support communities impacted by multiple natural disasters. Disclosure of Interest None Declared
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 | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,003 |
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 ».