Effect of the COVID-19 pandemic on mental health visits in primary care: an interrupted time series analysis from nine INTRePID countries
Notice bibliographique
Résumé
Background: (INTRePID) explored primary care visit trends related to mental health conditions in Argentina, Australia, Canada, China, Norway, Peru, Singapore, Sweden, and the USA. Methods: We conducted an interrupted time series analysis in nine countries to examine changes in rates of monthly mental health visits to primary care settings from January 1st, 2018, to December 31st, 2021. Sub-group analysis considered service type (in-person/virtual) and six categories of mental health conditions (anxiety/depression, bipolar/schizophrenia/other psychotic disorders, sleep disorders, dementia, ADHD/eating disorders, and substance use disorder). Findings: Mental health visit rates increased after the onset of the pandemic in most countries. In Argentina, Canada, China, Norway, Peru, and Singapore, this increase was immediate ranged from an incidence rate ratio of 1·118 [95% CI 1.053-1.187] to 2.240 [95% CI 2.057-2.439] when comparing the first month of pandemic with the pre-pandemic trend. Increases in the following months varied across countries. Anxiety/depression was the leading reason for mental health visits in most countries. Virtual visits were reported in Australia, Canada, Norway, Peru, Sweden, and the USA, accounting for up to 40% of the total mental health visits. Interpretation: Findings suggest an overall increase in mental health visits, driven largely by anxiety/depression. During the COVID-19 pandemic, many of the studied countries adopted virtual care in particular for mental health visits. Primary care plays a crucial role in addressing mental ill-health in times of crisis. Funding: Canadian Institutes of Health Research grant #173094 and the Rathlyn Foundation Primary Care EMR Research and Discovery Fund.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 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 ».