Impact of COVID-19 Pandemic on Mental Health Visits: An interrupted time series across 9 INTRePID countries through Dec 2021
Notice bibliographique
Résumé
Context The COVID-19 pandemic impacted mental health globally, yet there is still limited evidence regarding the use of mental health services in primary care. Objective: To assess the impact of the COVID-19 pandemic on mental health visit rates in primary care. Study design and analysis: Interrupted time series analysis to examine primary care mental health visit rate changes. Sub-group analysis considered service type and mental health categories. A generalized linear mixed model with penalized quasi-likelihood estimation was used to model trends. A country survey data on care delivery, referral, and insurance were also considered. Dataset and population: Data were from the International Consortium of Primary Care Big Data Researchers (INTRePID) including Argentina, Australia, Canada, China, Norway, Peru, Singapore, Sweden, and the USA. The consortium accesses primary care data in each country, facilitating comparative studies. Data coverage varied, including national, subsystem, and regional data from 2018 to 2021. Outcome The primary measure was rates of monthly mental health visits (per 100 visits), by service type (inperson, virtual) and mental health categories: Anxiety and Mood Disorders, Bipolar, Schizophrenia, Sleep Disorders, Dementia, ADHD and Eating Disorders and Substance-Related Disorders Results: Mental health visit rates increased immediately after the onset of the pandemic in all countries. In Argentina, Canada, Australia, China, Peru, Singapore, and Sweden, this rise was statistically significant, with increases ranging from 1.07 (95%CI: 1.03 - 1.12), p = 0.002 to 2.12 (95%CI: 2.06 to 2.17), p < 0.001. Trend increases in the following months varied across countries. The primary reasons for visits were anxiety and mood disorders (50 to 90%), followed by sleep disorders, substance-related and addictive disorders. Virtual mental health visits emerged as a notable modality for service delivery in Australia, Canada, Norway, Peru, Sweden, and the USA, comprising between 26%to 75% of the total mental health visits. Conclusions We found an overall increase in mental health visits during the pandemic, though not uniform across countries, possibly due to differences in healthcare priorities and responses. Anxiety and mood disorders were the main drivers of increased visits. Primary care plays a crucial role in addressing mental health issues, especially during times of crisis.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».