Changes in the prevalence of mental health problems during the first year of the pandemic: a systematic review and dose-response meta-analysis
Notice bibliographique
Résumé
AIM: To describe the pattern of the prevalence of mental health problems during the first year of the COVID-19 pandemic and examine the impact of containment measures on these trends. METHODS: We identified articles published until 30 August 2021 that reported the prevalence of mental health problems in the general population at two or more time points. A crowd of 114 reviewers extracted data on prevalence, study and participant characteristics. We collected information on the number of days since the first SARS-CoV-2 infection in the study country, the stringency of containment measures and the number of cases and deaths. We synthesised changes in prevalence during the pandemic using a random-effects model. We used dose-response meta-analysis to evaluate the trajectory of the changes in mental health problems. RESULTS: We included 41 studies for 7 mental health conditions. The average odds of symptoms increased during the pandemic (mean OR ranging from 1.23 to 2.08). Heterogeneity was very large and could not be explained by differences in participants or study characteristics. Average odds of psychological distress, depression and anxiety increased during the first 2 months of the pandemic, with increased stringency of the measures, reported infections and deaths. The confidence in the evidence was low to very low. CONCLUSIONS: We observed an initial increase in the average risk of psychological distress, depression-related and anxiety-related problems during the first 2 months of the pandemic. However, large heterogeneity suggests that different populations had different responses to the challenges imposed by the pandemic.
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 | 0,012 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».