Notice bibliographique
Résumé
It is time to consider alternatives to diagnosing and treating depression in primary care. GPs’ prescribing of antidepressants continues to increase, but most patients stop taking the medications soon after starting them. Depression is mostly dealt with in primary care, but GPs’ assumptions about mental health and its medical management have been inherited from the powerfully vested interests of psychiatry and pharmaceutical companies, while being influenced by financial incentives. Meanwhile, social issues continue to be overlooked in depression management guidelines, in practice, and in society at large; enabling serious engagement with psychosocial determinants of distress to be avoided. A clear-sighted revision of how best to help with patients’ emotional needs is due. The most compelling challenge to current practices of depression diagnosing and antidepressant prescribing in primary care comes from studies that show massive rates of treatment drop-out. The most recent UK research, published in the BJGP earlier this year, found that one-quarter of patients commenced on antidepressants took them for less than 30 days;1 confirming similar findings from the Netherlands.2 Other researchers have found over 50% of patients quit antidepressants before a pharmacological effect could be achieved and mostly this occurs in the absence of discussion with a GP.3,4 Some of this may be due to unwanted side-effects of the drugs, but not all, for it has been shown that a sizable proportion of patients receiving a first time prescription never even initiate drug taking.2 Nor is it due to diagnosing and prescribing that could be considered inappropriate according to existing criteria, since evidence suggests that GPs are more liable to under-diagnose5 and under-treat.6 But something in the nature of those diagnoses and treatments is evidently not right: when people present with emotional distress and we respond with symptom scores and …
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 | 0,001 |
| 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 ».