Effect of family caregiving on depression outcome among older European adults
Notice bibliographique
Résumé
Background: Most caregiver health studies rely on observational data and traditional regression methods, which fail to account for time-varying confounding, limiting causal inference. This analysis uses inverse probability weighting (IPW) to appropriately account for time-varying confounding in caregiving-depression relationship. Methods: Using seven waves (2004-2019) of the Survey of Health, Ageing and Retirement in Europe, we estimated the effect of caregiving on probable depression (having 4+ symptoms) comparing daily and some caregiving to no caregiving. We accounted for censoring and potential measured confounding by time-fixed covariates (gender, number of children, country, and education) and time-varying covariates (age, employment, marital status, income, physical limitations, psychiatric medication, receiving help, previous caregiving, and previous depression) using IPCW and IPTW. The product of the two weights was applied to a marginal structural model to obtain the causal estimand on the prevalence difference scale. Confidence intervals were derived from bootstrapping. Results: Among 36 346 participants and 67 800 person-waves, compared to no caregiving in the last year, daily caregiving was associated with a 6.7 percentage point (95 % CI: 4.8 %, 8.6 %) increase in the prevalence of probable depression, after accounting for time-fixed and time-varying covariates. Some caregiving was not associated with probable depression (PD = 0.5, 95 % CI = -0.8 %, 1.8 %). Conclusions: Our results support existing findings that high levels of caregiving may increase the prevalence of probable depression, while lower levels of caregiving do not. Accurate documentation of the relationship between caregiving and health outcomes is foundational in creating evidence-based policies to support healthy aging.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».