Unveiling the burden: Depression and its determinants among Bangladeshi medical students - insights from the MINI diagnostic tool
Notice bibliographique
Résumé
Abstract Mental health challenges are widespread among medical students worldwide, exacerbated by a lack of help-seeking behavior within this population. In resource-constrained healthcare systems like Bangladesh, medical students face additional barriers to expressing their struggles or seeking support. This study is the first in Bangladesh to use the MINI, a confirmatory clinical diagnostic tool, to assess the prevalence of depression among medical students. This cross-sectional study employed a convenient sampling technique, with 529 students from across Bangladesh participating via online surveys. The survey included questions on relevant sociodemographic factors and the PHQ-9 depression screening tool. Subsequently, depression was confirmed through clinical diagnosis using the MINI, conducted via online interviews over Zoom and phone calls. The study was carried out from June 2020 to February 2021, and data analysis was performed using SPSS software (version 22.0). Among the medical students surveyed using PHQ-9, 31.5% exhibited moderate levels of depression, 38.7% showed mild depression, and 29.8% reported minimal depression. Clinical diagnoses conducted using the MINI tool confirmed depression in 50 PHQ-9-positive cases. Of these, 17 (34%) were categorized as having “no depression,” 27 (54%) were diagnosed with recent depression, 16 (32%) had a history of past depression, and 15 (30%) experienced recurrent depression. Depression was more prevalent among female medical students, particularly those living away from their families from the start of their degree. First-year students were found to have the strongest association with depression. This study reported that one-third of Bangladeshi medical students experienced moderate to severe depression. The findings underscore the need for targeted psychosocial interventions and further exploration of socio-demographic factors. These results aim to guide researchers and policymakers in addressing the mental health needs of this population through effective support systems and surveillance frameworks.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».