Disparities in self-reported Mental Health, Physical Health, and Substance Use Across Sexual Orientations in Canada
Notice bibliographique
Résumé
Abstract Background While prior studies have shown LGB individuals have elevated risk of poor mental health, poor physical health, and substance use, existing study designs may be improved by using representative samples, wider ranges of health outcomes, heterosexual comparison groups, and disaggregated data. The goal of this study is to provide estimates of multiple health disparities across sexual orientations in Canada based on these principles. Methods Using data from 2009-2014 Canadian Community Health Surveys, a sample of 19,980,000 weighted individuals was created. Outcomes included mental health, physical health, binge drinking, illicit drug use, and cannabis use. The study used logistic regression models adjusted by covariates, stratified by sex, to estimate health disparities across sexual orientations. Results Among LGB individuals, there was evidence for elevated risk of poor mental health (i.e. gay men, bisexual men, bisexual women), poor physical health (i.e. bisexual men, bisexual women), binge drinking (i.e. lesbians, bisexual women), illicit drug use (i.e. lesbians, bisexual women), and cannabis use (i.e. lesbians, bisexual women) relative to their heterosexual counterparts. Those identifying as ‘don’t know’ or ‘refuse’ showed reduced odds of substance use. Bisexual women exhibited highest disparities in health outcomes, e.g. OR=3.3, 95% 2.58 to 4.22 for poor mental health. Trends over time showed worsening mental health among bisexual women (relative to changes in heterosexual women), and decreasing substance use in gay and bisexual men, and lesbians. Conclusion This study highlights health disparities across sexual orientations in Canada, especially bisexual women, calling for targeted interventions (e.g. increased training of service providers in working with bisexual women and community outreach against biphobia). Future research should aim to explore these disparities longitudinally while also including the use of administrative-linked health data to reduce potential bias in self-reported data.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».