Intersectional Disparities in Mental Healthcare Utilization by Sex and Race/Ethnicity among US Adults: An NHANES Study
Notice bibliographique
Résumé
ABSTRACT Introduction Mental healthcare utilization in the US remains low, with sociodemographic factors like sex and race/ethnicity influencing access across different population groups. However, how these factors interact to shape service utilization remains understudied. Methods Using data from the 2009–2018 cycles of the National Health and Nutrition Examination Survey (NHANES), we employed design-based log-binomial models to estimate the relative differences (prevalence ratios) of mental healthcare utilization across intersecting sex and race/ethnic groups. To assess the absolute differences, we used linear probability regression models to estimate the prevalence differences across these intersectional groups. We also conducted stratified analyses by education, income, health insurance, and depression status, to examine whether disparities persisted across socioeconomic and health-related subgroups. Results Overall, 9.1% of adults reported accessing mental health services in the past year. Hispanic males had the lowest utilization rates compared to Non-Hispanic (NH) White males, with an adjusted prevalence ratio (aPR) of 0.59 [95% CI: 0.47–0.73]. Among females, significant disparities were observed across all race/ethnic minority groups with NH Black and Hispanic females having significantly lower utilization rates compared to NH White females. Absolute prevalence differences mirrored the relative measures. Stratified analysis were largely consistent with primary results but revealed some variation across education, income and health insurance strata. Discussion These findings reflect how intersecting sociodemographic characteristics, specifically sex and race/ethnicity, influence utilization of mental health services. Stratified results suggest that socio-economic status may modify these disparities, pointing to the role played by systemic inequities. Hence, culturally informed strategies and wider structural interventions are needed to address these disparities. Future research should consider additional intersecting identities (e.g., sexual orientation and disability) and investigate socio-structural approaches to reducing these gaps.
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 | 0,002 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».