Expert opinion on detecting and treating depression in palliative care: A Delphi study
Notice bibliographique
Résumé
BACKGROUND: There is a dearth of data regarding the optimal method of detecting and treating depression in palliative care. This study applied the Delphi method to evaluate expert opinion on choice of screening tool, choice of antidepressant and choice of psychological therapy. The aim was to inform the development of best practice recommendations for the European Palliative Care Research Collaborative clinical practice guideline on managing depression in palliative care. METHODS: 18 members of an international, multi-professional expert group completed a structured questionnaire in two rounds, rating their agreement with proposed items on a scale from 0-10 and annotating with additional comments. The median and range were calculated to give a statistical average of the experts' ratings. RESULTS: There was contention regarding the benefits of screening, with 'routine informal asking' (median 8.5 (0-10)) rated more highly than formal screening tools such as the Hospital Anxiety and Depression Scale (median 7.0 (1-10). Mirtazapine (median 9 (7-10) and citalopram (median 9 (5-10) were the considered the best choice of antidepressant and cognitive behavioural therapy (median 9.0 (3-10) the best choice of psychological therapy. CONCLUSIONS: The range of expert ratings was broad, indicating discordance in the views of experts. Direct comparative data from randomised controlled trials are needed to strengthen the evidence-base and achieve clarity on how best to detect and treat depression in this setting.
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 | 0,000 | 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 ».