Combining Antidepressants for Treatment-Resistant Depression
Notice bibliographique
Résumé
OBJECTIVE: Many patients with depression remain poorly responsive to antidepressant monotherapy. One approach for managing treatment-resistant depression is to combine antidepressants and to capitalize on multiple therapeutic mechanisms of action. This review critically evaluates the evidence for efficacy of combining antidepressants. METHOD: A MEDLINE search of the last 15 years (up to June 2001), supplemented by a review of bibliographies, was conducted to identify relevant studies. Criteria used to select studies included (1) published studies with original data in peer-reviewed journals, (2) diagnosis of depression with partial or no response to standard treatments, (3) any combination of 2 antidepressants with both agents used to enhance antidepressant response, (4) outcome measurement of clinical response, and (5) sample size of 4 or more subjects. RESULTS: Twenty-seven studies (total N = 667) met the inclusion criteria, including 5 randomized controlled trials and 22 open-label trials. In the 24 studies (total N = 601) reporting response rates, the overall mean response rate was 62.2%. Methodological limitations included variability in definitions of treatment-resistant depression and response to treatment, dosing of medications, and reporting of adverse events. CONCLUSION: There is limited evidence, mostly in uncontrolled studies, supporting the efficacy of combination antidepressant treatment. Further randomized controlled trials with larger sample sizes are required to demonstrate the efficacy of a combination antidepressant strategy for patients with treatment-resistant depression.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».