Changes in Children and Youth’s Mental Health Presentations during COVID-19: A Study of Primary Care Practices in Northern Ontario, Canada
Notice bibliographique
Résumé
Recent research suggests that children and youth are at increased risk of anxiety and depression due to the indirect effects of the COVID-19 pandemic. In Canada, children and youths may face additional hurdles in accessing mental health services in rural areas due to socioeconomic disadvantages and healthcare provider shortages worsened by the pandemic. Our study aimed to assess changes in primary healthcare utilization related to depression and anxiety among children and youth aged 10-25 years in Northern Ontario, Canada. We analyzed de-identified electronic medical record data to assess primary healthcare visits and prescriptions for depression and anxiety among children and youth aged 10-25 years. We used provider billing data and reasons for visits and antidepressant/antianxiety prescriptions compared with 21 months pre-pandemic (1 June 2018 to 28 February 2020) and 21 months during the pandemic (1 April 2020 to 31 December 2021). Our interrupted time series analysis showed an average increase in visits by 2.52 per 10,000 person-months and in prescriptions by 6.69 per 10,000 person-months across all ages and sexes. Females aged 10 to 14 years were found to have the greatest relative change in visits across all age-sex groups. The greatest relative increases in antianxiety and antidepression prescriptions occurred among females and males aged 10 to 14 years, respectively. These findings indicate that there were increased anxiety and depression presentations in primary healthcare among children and youths living in northern and rural settings during the COVID-19 pandemic. The increased primary healthcare presentations of anxiety and depression by children and youths suggest that additional mental health resources should be allocated to northern rural primary healthcare to support the increased demand. Adequate mental health professionals, accessible services, and clinical recommendations tailored to northern rural populations and care settings are crucial.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».