Data gaps in prevalence rates of mental health conditions around the world: a retrospective analysis of nationally representative data
Notice bibliographique
Résumé
BACKGROUND: Mental health conditions contribute substantially to the global burden of disease, affecting quality of life and leading to increased health-care expenses and mortality. Accurate data on the prevalence and correlates of these disorders are crucial for policy making, advocacy, and improving population health, but there are notable gaps in the available data on the magnitude of mental health difficulties around the world. This study aims to identify and quantify the data gaps on mental disorders across the lifespan in the Global Burden of Diseases, Injuries, and Risk Factors Study (GBD) 2021. METHODS: We analysed the nationally representative data sources used by GBD 2021 on 11 mental health conditions, including neurodevelopmental disorders and neurodivergence, general psychiatric disorders, and substance-use disorders. Our analysis focused on the geographical origin of the data sources, the age groups and mental health conditions or neurodivergence covered, and temporal trends on the scientific production of data. FINDINGS: GBD 2021 identified 1241 unique nationally representative data sources for mental health conditions since 1950. Neurodevelopmental disorders and neurodivergence had the least coverage, with less than 13% of countries having prevalence data. Low-income countries had the largest data gap, with no data on neurodevelopmental disorders and neurodivergence, only 29% with any data on general psychiatric disorders, and 21% with data on substance-use disorders. The African and Western Pacific regions had the largest data gaps, and children were the least covered demographic: almost 90% of countries did not have any data for children. Most data (70-80% across disorders) were obtained before 2010. INTERPRETATION: Substantial gaps in prevalence data persist globally, particularly in children and in low-income countries. Despite increased scientific production in the 2000s, most mental disorders remain under-represented. Coordinated global efforts are required to enhance mental health data collection and address these gaps. FUNDING: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior-Brasil.
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 | 0,027 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| 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 ».