Self-perceptions of mental health among U.S. Veterans and non-Veterans: Behavioral Risk Factor Surveillance System, 2022
Notice bibliographique
Résumé
Introduction: : The 2022 Behavioral Risk Factor Surveillance System (BRFSS) cross-sectional telephone survey data were used in this analysis conducted in 2023. Weighted multinomial logistic regression was used to determine the association between Veteran status and reporting no (0), some (1-13), or frequent (≥14) days of mental distress, adjusted by key demographic, socio-economic, and health-related factors. Results: A total of 430,653 individuals were included in these analyses. In multivariate analyses, Veteran status was associated with decreased odds of reporting 1-13 poor mental health days (adjusted odds ratio [aOR] = 0.81, 95% CI, 0.77-0.86) compared to non-Veterans but greater odds of reporting ≥14 poor mental health days (aOR = 1.23, 95% CI, 1.15-1.33). Sex, age, marital status, race/ethnicity, education, annual income, employment status, health insurance, rurality, BMI, general health status, comorbid conditions, and poor physical health days were also significantly associated with poor mental health days in the final multivariate model.. Discussion: Veterans are more likely to suffer from frequent mental distress than non-Veterans when considering demographic, socio-economic, and health-related characteristics. Validated methods for assessing perceived mental health should be standardized for comparable monitoring of mental distress and expansion of Veteran-centred care.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».