Barriers to 12-month treatment of common anxiety, mood, and substance use disorders in the World Mental Health (WMH) surveys
Notice bibliographique
Résumé
BACKGROUND: High unmet need for treatment of mental disorders exists throughout the world. An understanding of barriers to treatment is needed to develop effective programs to address this problem. METHODS: Data on barriers were obtained from face-to-face interviews in 22 community surveys across 19 countries (n = 102,812 respondents aged ≥ 18 years, 57.7% female, median age [interquartile range]: 43 [31-57] years; 68.5% weighted average response rate) in the World Mental Health (WMH) surveys. We focus on the n = 5,136 respondents with 12-month DSM-IV anxiety, mood, or substance use disorders with perceived need for treatment. The n = 2,444 such respondents who did not receive treatment were asked about barriers to receiving treatment, whereas the n = 926 respondents who received treatment with a delay were asked about barriers leading to delays. Consistent with previous research, we distinguished five broad classes of barriers: low perceived disorder severity, two types of barriers in the domain of predisposing factors (beliefs/attitudes about treatment ineffectiveness and stigma) and two types in the domain of enabling factors (financial and nonfinancial). Baseline predictors of receiving treatment found in a prior report (i.e., comparing the n = 2,692 respondents who received treatment with the n = 2,444 who did not) were examined as predictors of barriers, while barriers were examined as mediators of associations between these predictors and treatment. RESULTS: = 3.8-199.8, p = 0.050- < 0.001). Barriers were predicted by low education, disorder type, age, employment status, and financial obstacles. Predictors varied as a function of barrier type. CONCLUSIONS: A wide range of barriers to treatment exist among people with mental disorders even after a need for treatment is acknowledged. Most such individuals have multiple barriers. These results have important implications for the design of programs to decrease unmet need for treatment of mental disorders.
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 | 0,008 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».