Suicidal Behaviors Among Medical Students: A Scoping Review of Systematic Reviews and Meta-Analyses
Notice bibliographique
Résumé
BACKGROUND: Suicidal ideation and attempts are major public health concerns among young adults, particularly those in demanding academic settings. Medical students exhibit disproportionately high rates compared to peers in the general population and other fields of study, highlighting the urgent need to understand and address mental health challenges in medical education. OBJECTIVE: This scoping review summarizes evidence from systematic reviews and meta-analyses on the prevalence and risk factors of suicidal ideation and suicide attempts among medical students worldwide. METHODS: Following PRISMA-ScR guidelines, six databases were searched for peer-reviewed reviews published in the last ten years. Studies focused exclusively on medical students and reporting prevalence or risk factors of suicidal ideation or attempts were included. Data were charted on prevalence, risk factors, study characteristics, and recommendations. RESULTS: Twelve reviews comprising 378,081 medical students were included. Lifetime prevalence of suicidal ideation ranged from 2.9% to 53.6% among the systematic reviews, with pooled estimates from meta-analyses ranging from 11% and 25%. Attempted suicide pooled prevalences ranged from 1.64% to 8%. Depression was frequently reported as the most significant risk factor for both suicidal ideation and attempts. Other significant risk factors for suicidal ideation included anxiety, burnout, female gender, financial strain, and academic stress. Suicidal ideation was higher during the COVID-19 pandemic and among clinical-phase students. Gender differences in suicide attempts were inconsistent. Medical students' rates of suicidal behavior exceeded those of other university students. CONCLUSION: Suicidal behavior remains a critical mental health issue for medical students globally. Despite known risk factors, targeted interventions are limited. Future research should emphasize longitudinal studies, post-pandemic effects, regional gaps, and intervention development. Implications are discussed.
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 | 0,020 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,014 | 0,023 |
| Bibliométrie | 0,016 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».