Long-Term Medical Conditions and Major Depression: Strength of Association for Specific Conditions in the General Population
Notice bibliographique
Résumé
BACKGROUND: The prevalence of major depression (MD) in persons with nonpsychiatric medical conditions is an indicator of clinical need in those groups, an indicator of the feasibility of screening and case-finding efforts, and a source of etiologic hypotheses. This analysis explores the prevalence of MD in the general population in relation to various long-term medical conditions. METHODS: We used a dataset from a large-scale Canadian national health survey, the Canadian Community Health Survey (CCHS). The sample consisted of 115 071 subjects aged 18 years and over, randomly sampled from the Canadian population. The survey interview recorded self-reported diagnoses of various long-term medical conditions and employed a brief predictive interview for MD, the Composite International Diagnostic Interview Short Form for Major Depression. Logistic regression was used to adjust estimates of association for age and sex. RESULTS: The conditions most strongly associated with MD were chronic fatigue syndrome (adjusted odds ratio [AOR] 7.2) and fibromyalgia (AOR 3.4). The conditions least strongly associated were hypertension (AOR 1.2), diabetes, heart disease, and thyroid disease (AOR 1.4 in each case). We found associations with various gastrointestinal, neurologic, and respiratory conditions. CONCLUSIONS: A diverse set of long-term medical conditions are associated with MD, although previous studies might have lacked power to detect some of these associations. The strength of association in prevalence data, however, varies across specific conditions.
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 ».