Comorbidity of Major Depression with Substance Use Disorders
Notice bibliographique
Résumé
OBJECTIVES: In the Canadian adult population, we aimed to 1) estimate the 12-month prevalence of major depressive disorder (MDD) in persons with a diagnosis of harmful alcohol use, alcohol dependence, and drug dependence; 2) estimate the 12-month prevalence of harmful alcohol use, alcohol dependence, and drug dependence in persons with a 12-month and lifetime diagnosis of MDD; 3) identify socioeconomic correlates of substance use disorder-major depression comorbidity; 4) determine how comorbidity impacts the prevalence of suicidal thoughts; and 5) determine how comorbidity affects mental health care used. METHODS: We examined data from the Canadian Community Health Survey: Mental Health and Well-Being (CCHS 1.2). RESULTS: The 12-month prevalences of MDD in persons with a substance use disorder (SUD) were 6.9% for harmful alcohol use (95% confidence interval [CI], 5.2 to 8.5), 8.8% for alcohol dependence (95%CI, 6.6 to 11.0), and 16.1% for drug dependence (95%CI, 10.3 to 21.9). Conversely, the 12-month prevalences of harmful alcohol use, alcohol dependence, and drug dependence in persons with a 12-month diagnosis of MDD were 12.3% (95%CI, 9.4 to 15.2), 5.8% (95%CI, 4.3 to 7.3), and 3.2% (95%CI, 2.0 to 4.4), respectively. Regression modelling did not identify any socioeconomic predictors of SUD-MDD comorbidity. Substance dependence and MDD independently predicted higher prevalence of suicidal thoughts and mental health treatment use. CONCLUSIONS: SUDs cooccur with a high frequency in cases of MDD. Clinicians and mental health services should consider routine assessment of SUDs in depression patients.
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 ».