Health behavior profiles and association with mental health status among US active-duty service members
Notice bibliographique
Résumé
Introduction: This study investigated the clustering of health behaviors among US active duty servicemembers (ADSM) into risk profiles and explored the association between these profiles with ADSM sociodemographic characteristics and mental health status. Methods: This study utilized secondary data from the 2018 Health Related Behaviors Survey (HRBS), a Department of Defense (DoD) self-administered online survey. Health behaviors included physical activity, screen use, sleep habits, tobacco/substance use, alcohol drinking, preventive health care seeking and condom use at last sex/having multiple sexual partners. Past-year mental health status was measured using the Kessler Screening Scale for Psychological Distress (K6). Latent class analysis (LCA) on health behaviors was used to cluster ADSMs into risk profiles. Multivariable logistic model was used to examine whether ADSM characteristics and mental health status were associated with ADSMs' risk profiles. Results: The LCA identified a four-class model that clustered ADSMs into the following sub-groups: (1) Risk Inclined (14.4%), (2) High Screen Users (51.1%), (3) Poor Sleepers (23.9%) and (4) Risk Averse (10.6). Over a tenth (16.4%) of ADSMs were categorized as having serious psychological distress. Being male, younger, less educated, in the Army, Marine Corps or Navy were associated with higher odds of being Risk Inclined (AOR ranging from 1.26 to 2.42). Compared to the reference group of Risk Adverse ADSMs, those categorized as Risk Inclined (AOR: 8.30; 95% CI: 5.16-13.36), High Screen Users (AOR: 2.44; 95% CI: 1.56-3.82) and Poor Sleepers (AOR: 5.26; 95% CI: 3.38-8.19) had significantly higher odds of having serious psychological distress. Discussion: Study findings suggest opportunities to tailor behavioral and health promotion interventions for each of the distinct risk profiles. For example, ADSM described as Risk Inclined may benefit from preventive mental health services. Solutions for ADSM described as Poor Sleepers may include education on sleep hygiene; instituting duty schedules; and shifting military cultural norms to promote sleep hygiene as a pathway to optimal performance and thus military readiness. ADSM with low-risk behavior profiles such as those described as Risk Averse may prove beneficial in the roll-out of interventions as they act as peer-educators or mentors.
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 | 0,002 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».