Intersectional disparities in mental healthcare utilization by sex and race/ethnicity among US adults: An NHANES study
Notice bibliographique
Résumé
Mental healthcare utilization in the US remains low, with persistent disparities observed across population groups. However, little is known about how sex and race/ethnicity jointly shape access to care. Intersectionality theory highlights the need to examine these dimensions together, as their combined influence may produce unique disadvantages not captured in single-axis analyses. This study utilized data from the 2009-2018 cycles of the National Health and Nutrition Examination Survey (NHANES). The relative differences (prevalence ratios) of mental healthcare utilization across intersecting sex and racial/ethnic groups were estimated using design-based log-binomial models. The absolute measure (prevalence differences) across these intersectional groups were obtained using linear probability regression models. Stratified analyses were conducted to examine how socioeconomic and need-related factors modified disparities. Overall, 9.1% of adults reported accessing mental health services in the preceding year. Marked disparities were observed across the intersectional groups. 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, all minority racial/ethnic groups reported lower utilization compared with NH White females with aPRs ranging from 0.73 to 0.81. Within racial/ethnic groups, women generally accessed care more than men, though the magnitude of sex differences varied. Stratified analyses showed that disparities were magnified among those without insurance and attenuated at higher income levels. These results show that sex and race/ethnicity jointly shape patterns of mental healthcare utilization in the United States, producing compounded disadvantages for specific groups such as Hispanic men. Stratified analyses suggest that socio-economic status may modify these disparities, pointing to the role played by systemic inequities. These findings underscore the importance of intersectional approaches in population mental health research and policy. Future research should consider additional intersecting identities including sexual orientation and disability.
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 | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».