Trauma exposure among individuals with mood disorders: a cross-sectional study at a tertiary psychiatric facility in Uganda
Notice bibliographique
Résumé
BACKGROUND: Mood disorders, including major depressive disorder (MDD) and bipolar disorder (BD), are prevalent psychiatric conditions globally. Exposure to trauma has been shown to exacerbate the severity and chronicity of mood disorders. In low-resource settings like Uganda, where trauma exposure is widespread and mental health services are limited, understanding the trauma-mood disorder relationship is essential but under-researched. AIMS: This study aimed to assess the prevalence and typology of trauma exposure among individuals with mood disorders attending a tertiary psychiatry unit in Uganda and to explore correlates of trauma history. METHODS: A cross-sectional study was conducted among 221 adults diagnosed with mood disorders at Mbarara Regional Referral Hospital between April and June 2023. Participants were assessed for trauma exposure using the Stressful Life Events Screening Questionnaire (SLESQ), and suicidality was evaluated using the Columbia-Suicide Severity Rating Scale (C-SSRS). Socio-demographic and clinical variables were collected, and data were analyzed using descriptive statistics, chi-square tests, t-tests, and logistic regression. RESULTS: Among 221 participants, 72.0% reported lifetime trauma, most commonly crime-related events (95.6%). Physical abuse was significantly more common in bipolar disorder than in major depression. Older age and family history of suicide attempt independently predicted trauma exposure. CONCLUSION: Trauma exposure, especially crime-related, is highly prevalent among Ugandan patients with mood disorders. Findings highlight the need for routine trauma screening and trauma-informed care in psychiatric services.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».