Évaluation de l’effet de la pandémie de COVID-19 sur le taux d’hospitalisation pour des raisons de santé mentale chez les jeunes au Canada : analyse de séries chronologiques interrompues
Bibliographic record
Abstract
Introduction Cette étude a évalué l’effet de la pandémie de COVID-19 sur l’évolution des taux d’hospitalisation pour des raisons de santé mentale ou de dépendance chez les jeunes (de 10 à 17 ans) dans les provinces et territoires du Canada (à l’exception du Québec) entre le 1er avril 2018 et le 5 mars 2022. Méthodologie Nous avons effectué une analyse de séries chronologiques interrompues sur trois périodes : T0 (avant la pandémie : du 1er avril 2018 au 15 mars 2020), T1 (début de la pandémie : du 15 mars 2020 au 5 juillet 2020) et T2 (fin de la pandémie : du 6 juillet 2020 au 5 mars 2022). Résultats Avant la pandémie, les taux d’hospitalisation pour des raisons de santé mentale ou de dépendance étaient très variables d’une région à l’autre, avec des taux hebdomadaires allant de 6,27 événements pour 100 000 personnes (Manitoba) à 85,59 événements pour 100 000 personnes (trois territoires). Au cours de la période T1, le taux d’hospitalisation hebdomadaire à l’échelle nationale (à l’exception du Québec) est passé de 12,82 événements pour 100 000 personnes avant la pandémie (IC à 95 % : 12,14 à 13,50) à 5,11 événements pour 100 000 personnes (IC à 95 % : 3,80 à 6,41). Il n’y a pas eu de changement statistiquement significatif du taux d’hospitalisation pour des raisons de santé mentale ou de dépendance dans les provinces et les territoires pour la période T2 par rapport à la période T0. Cependant, le taux d’hospitalisation pour automutilation a augmenté de façon considérable chez les filles dans l’ensemble du Canada et dans la plupart des provinces au cours de cette période. Conclusion Bien que plusieurs études canadiennes aient fait état d’une augmentation du nombre de consultations externes et de consultations aux urgences pour des raisons de santé mentale ou de dépendance chez les jeunes pendant la pandémie de COVID-19, cette hausse ne s’est pas traduite par une augmentation du nombre de patients hospitalisés, à l’exception notable des cas d’automutilation chez les filles.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".