Stability and Change in Mental Health Profiles from Middle Adulthood to Very Old Age
Notice bibliographique
Résumé
OBJECTIVES: This study investigates mental health (MH) through the dual-factor model, emphasizing both well-being and ill-being. Our objectives were to (1) identify MH profiles based on this model; (2) track these profiles over time; and (3) explore socio-demographic and physical health factors associated with these profiles. METHODS: We employed Latent Transition Analysis on data from 5,561 individuals aged 39-92, using two waves from the Survey of Health, Ageing, and Retirement in Europe. Well-being was assessed via life satisfaction and quality of life, while ill-being was measured through depression and loneliness. The predictors were socio-demographic and physical health variables. RESULTS: Four distinct MH profiles emerged, each with unique levels of well-being and ill-being. Stability was more common in adaptive profiles. Physical health was key in predicting transition. CONCLUSIONS: Identifying MH profiles in old age enhances our understanding of how MH adapts with aging. This approach reveals the complexity of MH beyond traditional ill-being, underscoring the importance of well-being. CLINICAL IMPLICATIONS: • The majority of older adults maintain good MH, suggesting a need for a paradigm shift toward enhancing well-being rather than solely treating ill-being.• Effective MH interventions should integrate both well-being and ill-being assessments to offer understanding and support.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».