Screening for depression in chronic hemodialysis patients: Comparison of the Beck Depression Inventory, primary nurse, and nephrology team
Notice bibliographique
Résumé
Depression in patients with end-state renal disease (ESRD) is both underdiagnosed and treated, which may contribute to an increase in morbidity and mortality. Efforts aimed at screening, diagnosing, and treating depression could potentially modify outcomes in this population. The purpose of this study was to compare the prevalence of depression, as measured by the Beck Depression Inventory (BDI-II), the primary nurse, and nephrology team, among a cohort of patients receiving chronic hemodialysis (HD). A secondary objective was to identify patient variables associated with depression. Patients were screened for depression at the same time point, using the BDI-II, the primary nurse and the nephrology team. Depression was defined as a BDI-II score > or =14. Agreement between the BDI-II score, nurse, and nephrology team assessment of depression was compared using a kappa score and receiver-operating characteristic (ROC) curves were generated. One hundred and twenty-four of an eligible 154 patients completed the study. Depression as measured by a BDI-II> or =14, the nurse and the team was diagnosed in 38.7%, 41.9%, and 24.2% of patients, respectively. With the BDI-II as the gold standard, the nurses' diagnosis of depression had an agreement of 74.6% vs. only 24.2% agreement with the nephrology team. A previous history of malignancy was the only variable associated with the diagnosis of depression. Depression is common among patients on HD, supporting the need for a routine depression-screening program. The primary dialysis nurse is in a key position to identify patients with depression and should be considered as an integral part of the nephrology team.
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 ».