MétaCan
Menu
Retour à la cohorte
Enregistrement W4404229308 · doi:10.1001/jamapediatrics.2024.4385

Prevalence of Adverse Childhood Experiences in Child Population Samples

2024· article· en· W4404229308 sur OpenAlexaff
Sheri Madigan, Raela Thiemann, Audrey‐Ann Deneault, Pasco Fearon, Nicole Racine, Julianna Park, Carole A. Lunney, Gina Dimitropoulos, Serena Jenkins, Tyler Williamson, Ross D. Neville

Notice bibliographique

RevueJAMA Pediatrics · 2024
Typearticle
Langueen
DomainePsychology
ThématiqueChild Abuse and Trauma
Établissements canadiensChildren's Hospital of Eastern OntarioUniversity of OttawaAlberta Children's HospitalUniversité de MontréalUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésMedicineAdverse Childhood ExperiencesAdverse effectPediatricsPopulationDiseaseBurden of diseaseEnvironmental healthPsychiatryInternal medicineMental health

Résumé

récupéré en direct d'OpenAlex

Importance: Exposure to adverse childhood experiences (ACEs) before the age of 18 years is a major contributor to the global burden of disease and disability. Objective: To meta-analyze data from samples with children 18 years or younger to estimate the average prevalence of ACEs, identify characteristics and contexts associated with higher or lower ACE exposure, and explore methodological factors that might influence these prevalence estimates. Design, Setting, and Participants: Studies that were published between January 1, 1998 and February 19, 2024, were sourced from MEDLINE, PsycINFO, CINHAL, and Embase. Inclusion criteria required studies to report the prevalence of 0, 1, 2, 3, or 4 or more ACEs using an 8- or 10-item ACEs questionnaire (plus or minus 2 items), include population samples of children 18 years or younger, and be published in English. Data from 65 studies, representing 490 423 children from 18 countries, were extracted and synthesized using a multicategory prevalence meta-analysis. These data were analyzed from February 20, 2024, through May 17, 2024. Main Outcomes and Measures: ACEs. Results: The mean age of children across studies was 11.9 (SD, 4.3) years, the age range across samples was 0 to 18 years, and 50.5% were female. The estimated mean prevalences were 42.3% for 0 ACEs (95% CI, 25.3%-52.7%), 22.0% for 1 ACE (95% CI, 9.9%-32.7%), 12.7% for 2 ACEs (95% CI, 3.8%-22.3%), 8.1% for 3 ACEs (95% CI, 1.4%-16.8%), and 14.8% for 4 or more ACEs (95% CI, 5.1%-24.8%). The prevalence of 4 or more ACEs was higher among adolescents vs children (prevalence ratio, 1.16; 95% CI, 1.04-1.30), children in residential care (1.26; 95% CI, 1.10-1.43), with a history of juvenile offending (95% CI, 1.29; 1.24-1.34), and in Indigenous peoples (1.63; 95% CI, 1.28-2.08), as well as in studies where file review was the primary assessment method (1.29; 95% CI, 1.23-1.34). The prevalence of 0 ACEs was lower in questionnaire-based studies where children vs parents were informants (0.85; 95% CI, 0.80-0.90). Conclusions: In this study, ACEs were prevalent among children with notable disparities across participant demographic characteristics and contexts. As principal antecedent threats to child and adolescent well-being that can affect later life prospects, ACEs represent a pressing global social issue. Effective early identification and prevention strategies, including targeted codesigned community interventions, can reduce the prevalence of ACEs and mitigate their severe effects, thereby minimizing the harmful health consequences of childhood adversity in future generations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,037
score de la tête « metaresearch » (Gemma)0,074
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,037
Score d'incertitude au seuil0,197

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0370,074
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0050,018
Bibliométrie0,0090,010
Études des sciences et des technologies0,0000,001
Communication savante0,0030,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,284
Écart entre enseignants0,267 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations82
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJAMA PediatricsMême sujetChild Abuse and TraumaTravaux en français237 207