Personality and Differential Treatment Response in Major Depression: A Randomized Controlled Trial Comparing Cognitive-Behavioural Therapy and Pharmacotherapy
Notice bibliographique
Résumé
Objective: Effective treatments for major depressive disorder exist, yet some patients fail to respond, or achieve only partial response. One approach to optimizing treatment success is to identify which patients are more likely to respond best to which treatments. The objective of this investigation was to determine if patient personality characteristics are predictive of response to either cognitive-behavioural therapy (CBT) or pharmacotherapy (PHT). Method: Depressed patients completed the Revised NEO Personality Inventory, which measures the higher-order domain and lower-order facet traits of the Five-Factor Model of Personality, and were randomized to receive either CBT or PHT. Result: Four personality traits—the higher-order domain neuroticism and 3 lower-order facet traits: trust, straightforwardness, and tendermindedness—were able to distinguish a differential response rate to CBT, compared with PHT. Conclusion: The assessment of patient dimensional personality traits can assist in the selection and optimization of treatment response for depressed patients. Objectif: Il existe des traitements efficaces du trouble dépressif majeur et pourtant, des patients ne réussissent pas à y répondre, ou n'y répondent que partiellement. Une approche en vue d'optimiser la réussite du traitement consiste à identifier quels patients sont plus susceptibles de mieux répondre à quels traitements. L'objectif de cette recherche était de déterminer si les caractéristiques de la personnalité des patients prédisent la réponse à soit la thérapie cognitivo-comportementale (TCC) soit la pharmacothérapie (PHT).
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 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 ».