Language ability and virtual mental healthcare utilisation among immigrant and refugee youth: a population-based cohort study
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: The widespread adoption of virtual care during the pandemic may not have been uniform across populations, including among paediatric immigrants and refugees. We sought to examine the association between virtual mental healthcare utilisation and immigration factors. METHODS: This population-based cohort study of immigrants and refugees (3-17 years) used linked health administrative databases in Ontario, Canada (March 2020 to December 2021). Exposures included self-reported Canadian language ability (CLA) at arrival and immigration category (economic class, family class and refugee). The primary outcome was the visit modality (inperson/virtual) measured as a rate of physician-based mental healthcare visits. Modified Poisson regression model estimated adjusted rate ratios (aRRs) with 95% CIs. RESULTS: Among 22 420 immigrants, 12 135 (54%) did not have CLA (economic class: 6310, family class: 2207, refugees: 3618) and 10 285 did (economic class; 6293, family class: 1469, refugees: 2529). The cohort's mean age (SD) was 12.0 (4.0) years and half (50.3%) were female. Of 71 375 mental health visits, 47 989 (67.2%) were delivered virtually. Compared with economic class immigrants with CLA (referent), refugees with and without CLA had a lower risk of virtual care utilisation (CLA: aRR 0.89, 95% CI 0.86 to 0.93; non-CLA: aRR 0.80, 95% CI 0.77 to 0.83), as did family class immigrants with CLA (aRR 0.96, 95% CI 0.92 to 0.99). No differences in virtual care utilisation were observed among economic class immigrants with CLA and other immigrant groups. CONCLUSIONS: Language ability at arrival and immigration category are associated with virtual mental healthcare utilisation. Whether findings reflect user preference or inequities in accessibility, particularly for refugees and those without CLA at arrival, warrants further study.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».