Longitudinal insights into psychiatric presentations and service utilization among older adults in Alberta from 2017 to 2022: Effects of the COVID-19 pandemic
Notice bibliographique
Résumé
Background: Psychiatric service utilization is influenced by psychological distress, demographic, and contextual factors. This study examined trends in psychiatric presentations among community-dwelling older Albertans (65+) from pre-pandemic to postpandemic phases. Methods: A retrospective longitudinal cohort design analyzed psychiatric presentations using Alberta physician billing data from 2017 to 2022 using ICD-9/10 codes. Rates were compared across pandemic phases. Descriptive statistics, one-way analysis of variance, and general linear model (GLM) evaluated the effects of the pandemic, sex, geographic location, and healthcare setting. Results: There were over 1.68 million psychiatric presentations among older adults during the study period. Overall presentations increased by +24.82% during the pandemic, primarily due to a +26.66% rise in outpatient visits, which stabilized but did not return to pre-pandemic levels. Females comprised 62.82% of encounters, with a nonsignificant +27.75% increase during the pandemic that stabilized. Males showed a +39.95% increase during COVID-19, then a −9.86% decline postpandemic – both nonsignificant. GLM analysis identified geographic location and healthcare setting as significant predictors of psychiatric presentations among older adults; females and urban residents had higher outpatient use. In outpatient settings, urban residence predicted presentations, while rural status approached significance for emergency visits. No significant trends were found for inpatient care. Conclusion: Findings suggest the mental health impact of the pandemic persisted post-pandemic, exacerbating disparities in psychiatric service utilization, highlighting the need for targeted interventions such as telepsychiatry and expanded outpatient services. Future research should focus on interventions aimed at reducing geographic disparities in mental healthcare access.
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 | 0,001 | 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 | 0,000 |
| Science ouverte | 0,001 | 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 ».