Childhood Maltreatment and Mental-Physical Multimorbidity: An Analysis of Canadian Survey Data Using Entropy Balancing
Notice bibliographique
Résumé
ABSTRACT Objectives To explore childhood maltreatment as a risk factor for mental-physical multimorbidity and examine gender as an effect modifier. Methods We analyzed data from the 2022 Mental Health and Access to Care Survey. We described sample characteristics with unweighted counts, survey-weighted percentages, and weighted chi-square tests. Missing data were addressed via multiple imputation. Entropy balancing adjusted for age, gender, LGBTQ2+ identity, visible minority group, and immigration status and multinomial logistic regression was used to estimate associations between the number of childhood maltreatment subtypes (physical abuse, sexual abuse, and exposure to domestic violence) reported and physical (≥ 2 physical conditions but no mental), mental (≥ 2 mental conditions but no physical), and mental-physical (≥ 1 mental and physical condition) multimorbidity. Survey weights were applied during both entropy balancing and regression modeling. Effect modification by gender was examined and sub-analyses of mental- cardiometabolic, mental-inflammatory, mental-somatic multimorbidity, and subtype-specific exposures were conducted. Results 8,967 respondents were included. Mental-physical multimorbidity increased with maltreatment: 3.4% (none, n=4647), 6.3% (1 type, n=2804), 10.1% (2 types, n=1208), and 18.2% (3 types, n=308). Adjusted odds ratios for mental-physical multimorbidity ranged from 2.15 (95% CI:1.90-2.44) for 1 type to 8.72 (95% CI:7.01-10.85) for 3 types compared to physical (aOR=1.31-2.00) and mental (aOR=1.90-3.63) multimorbidity. Men showed higher odds of mental-physical multimorbidity at high exposure (aOR=6.14, 95% CI:4.90-7.70 in women; aOR=13.96, 95% CI:9.58-20.34 in men) with varying effect sizes across disease areas. Conclusion Childhood maltreatment shows a strong dose-response association with mental- physical multimorbidity. Further research is needed to clarify gender-specific pathways.
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 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,006 | 0,016 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».