Prevalence of a dual diagnosis of mental illness and substance use disorder in Ontario, Canada: a retrospective cohort study using linked administrative data
Notice bibliographique
Résumé
ObjectivePopulation-based prevalence estimates of co-occurring mental illness and substance use disorder (herein dual diagnosis) are scarce and derived from a single source (e.g., survey data) which may lead to underestimation of prevalence. We linked administrative data to a representative mental health survey in Ontario, Canada to estimate dual diagnosis prevalence using a data triangulation method. Approach We retrospectively linked the 2002 and 2012 Canadian Community Health Survey on Mental Health (CCHS-MH) to emergency department, inpatient hospital, and outpatient physician records in Ontario, Canada. Mental illness and substance use disorder were ascertained though self-report, Composite International Diagnostic Interview screening, and linked administrative health records. We estimated 1-year, 5-year, and lifetime prevalence of dual diagnosis. ResultsOf the CCHS-MH survey participants, 14,790 (99.8%) were included in the study. The 1-year, 5-year, and lifetime prevalence of dual diagnosis was 2.3%, 4.8%, and 9.8%, respectively, which attenuated to 2.1%, 4.1%, and 8.4%, respectively, when tobacco use disorder was removed from substance use disorder ascertainment. ConclusionDual diagnosis is more common in the general population than previously estimated. Considering barriers to accessing care for both mental illness and substance use disorders among people with dual diagnosis annually, our 5-year prevalence estimate is likely most informative for health system planning. ImplicationsIn the context of increased health burden, barriers to care access, and challenges to effective treatment associated with dual diagnosis, our findings present a case for increased investment in integrated models of mental healthcare and addiction medicine.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 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 ».