A comparison of psychiatric inpatient admissions in youth before and during the COVID-19 pandemic.
Notice bibliographique
Résumé
Background: The current understanding of the effect of COVID-19 on child and youth admissions to psychiatric inpatient units over time is limited, with conflicting findings and many studies focusing on the initial wave of the pandemic. Objectives: This study identified changes in psychiatric inpatient admissions, and reasons for admission, including suicidality and self-harm, before and during the COVID-19 pandemic. Method: , 2021. Pre-pandemic (before March 11, 2020) and during-pandemic (after March 11, 2020) trends of admissions were explored using a Bayesian structural time series model (BSTS). Results: The model revealed that overall admissions during the pandemic period exceeded what would have been predicted in the absence of a pandemic, a relative increase of 29%. Additionally, a rise in the total number of admissions due to self-harm and suicidality (29% increase), externalizing/behavioral issues (69% increase), and internalizing/emotional issues (28% increase) provided strong evidence of increased admissions compared to what might have been expected from pre-pandemic numbers. Conclusions: There was strong evidence of increases in psychiatric inpatient admissions during the COVID-19 pandemic compared to expected trends based on pre-pandemic data. To ensure accessible and continuous mental health supports and services for youth and their families during future pandemics, these findings highlight the need for rapid expanse of inpatient mental health services, similar to what occurred in many intensive care units across Canada.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».