Risk Factors Associated with Mood Disorders in Canada
Notice bibliographique
Résumé
Background: Mental health presents a profound challenge globally, affecting around 970 million individuals. In Canada, mental disorders significantly impact the well-being of society and individuals, with one in three Canadians expected to face a mental problem during their lifetime. However, the utilization of mental health services is low, and a large proportion of the population does not have access to effective care. Objectives: This study was designed to identify key sociodemographic, clinical, and lifestyle factors associated with the prevalence of mood disorders among Canadians, thereby aiding in the development of targeted interventions. Methods: Utilizing data from the Canadian Community Health Survey 2017-2018, multivariable logistic regression analysis was performed, incorporating the sampling weights to make the inference representative of the Canadian population. Bootstrap weighting was applied to the multivariable associations to ensure robust variance estimates. Results: Females (OR, 1.98; 95% CI, 1.86-2.16) and individuals with higher obesity levels (pre-obesity: OR, 1.05; 95% CI, 1.04-1.05; obesity class 3: OR, 2.37; 95% CI, 1.88-3.00) were more likely to experience mood disorders. Conversely, higher income levels (>$80,000: OR, 0.57; 95% CI, 0.49-0.66; $60,000-$79,999: OR, 0.66; 95% CI, 0.56-0.77) and immigrant status (OR, 0.49; 95% CI, 0.43-0.56) were linked to a lower prevalence of mood disorders. Being unmarried was also associated with lower odds of mood disorders. Furthermore, additional factors such as higher education, increased life stress, and smoking were found to significantly influence the prevalence of mood disorders. Conclusions: The prevalence of mood disorders in Canada is influenced by various factors, with significant gender disparities. These findings can assist policymakers and healthcare professionals in developing targeted interventions and allocating resources effectively to meet the specific needs of at-risk populations. Future research is necessary to address these determinants.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 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) | 0,005 | 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 ».