Paroxetine Increased the Serum Estrogen in Postmenopausal Women with Depressive and Anxiety Symptoms
Notice bibliographique
Résumé
Objective: Both of selective serotonin reuptake inhibitors (SSRIs) and estrogen can modulate emotion and cognition function in post-menopause women, moreover SSRIs can influence estrogen system in rats and aquatic wildlife but most of them for reproductive ability. The aim of this study was to investigate the possible relationship between SSRI, estrogen, and emotion and cognition in post-menopause women with anxiety and depressive symptoms .Methods: A double-blind, randomized controlled trials of Paroxetine, an SSRI (n = 44), versus placebo (n = 38) for 6 months in post-menopausal women with anxiety and depressive symptoms. For screening anxiety, depression and mild cognitive impairment (MCI), we use the Hamilton Anxiety Rating Scale (HAM-A), the Hamilton Depression Rating Scale (HAM-D) and the Chinese Version of the Montreal cognitive assessment (MoCA-CV). And sex hormones were measured by ELASE method which is serum estradiol (E2), follicle stimulating hormone (FSH) and luteinizing hormone (LH). Results: Paroxetine increased serum E2 and decreased LH, FSH significantly (P < 0.05). Meanwhile, HAM-A and HAM-D scores declined and MoCA-CV score raised by Paroxetine (P < 0.05). We also found that a negative association between E2 and scores of HAM-A and HAM-D at pre-treatment and post-treatment of Paroxetine (HAM-A: R = ?0.27, R = ?0.24; HAM-D: R = ?0.65, R = ?0.37), while a positive correlation between E2 and MoCA-CV scores (R = 0.52, R = 0.47). Conclusions: This founding suggests that SSRI can increase serum estrogen levels and the change of estrogen may be one of mechanism in SSRI’s improve emotion and cognitive function in post-menopausal women.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».