Prevalence and factors associated with depression and anxiety among COVID-19 survivors in Dhaka city
Notice bibliographique
Résumé
Background: Coronavirus disease 2019 (COVID-19) is a global public health concern. Evidence shows that depression and anxiety are common among patients with COVID-19 after recovery. About one-third of the total COVID-19 cases in Bangladesh have been reported in Dhaka city. Therefore, the study aimed to evaluate the prevalence of depression and anxiety among COVID-19 survivors in Dhaka city as well as to identify the factors associated with these mental health conditions. Methods: A cross-sectional study was carried out among a total of 384 COVID-19 survivors aged 18 years or older. Data collection was done through face-to-face and telephone interviews using a semi-structured questionnaire. Patient Health Questionnaire (PHQ-9) and Generalized Anxiety Disorder (GAD-7) scales were used to assess depression and anxiety, respectively. Binary logistic regression analysis was performed to identify the predictors of depression and anxiety among patients recovered from COVID-19. Results: The overall prevalence of depression and anxiety was 26.0% and 23.2%, respectively among COVID-19 survivors. The respondents who were ≥60 years were 2.62 and 3.02 times more likely to report depressive and anxiety symptoms, respectively than those aged 18 to 39 years. Hospitalised patients recovered from COVID-19 had a 2.18 times higher chance of developing anxiety than their non-hospitalised counterparts. COVID-19 recovered patients with comorbidities were at 3.35 and 2.97 times higher risk of depression and anxiety, respectively compared to those without comorbidities. Similarly, the respondents who had already passed a period of 15 days to 3 months after recovery showed 3.06 and 1.85 times higher odds of depression and anxiety, respectively than those who had already passed a period of above 3 to 6 months after recovery. Conclusion: The study reported a high prevalence of depression and anxiety among COVID-19 survivors living in Dhaka city. The findings suggest the need for appropriate interventions to reduce mental health complications in COVID-19 survivors.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».