Risk of Bias from Inclusion of Currently Diagnosed or Treated Patients in Studies of Depression Screening Tool Accuracy: A Cross-Sectional Analysis of Recently Published Primary Studies and Meta-Analyses
Notice bibliographique
Résumé
BACKGROUND: Depression screening can improve upon usual care only if screening tools accurately identify depressed patients who would not otherwise be recognized by healthcare providers. Inclusion of patients already being treated for depression in studies of screening tool accuracy would inflate estimates of screening accuracy and yield. The present study investigated (1) the proportion of primary studies of depression screening tool accuracy that were recently published in journals listed in MEDLINE, which appropriately excluded currently diagnosed or treated patients; and (2) whether recently published meta-analyses identified the inclusion of currently diagnosed or treated patients as a potential source of bias. METHODS: MEDLINE was searched from January 1, 2013 through March 27, 2015 for primary studies and meta-analyses on depression screening tool accuracy. RESULTS: Only 5 of 89 (5.6%) primary studies excluded currently diagnosed or treated patients from any analyses and only 3 (3.4%) from main analyses. In 3 studies that reported the number of patients excluded due to current treatment, the number of excluded patients was more than twice the number of newly identified depression cases. None of 5 meta-analyses identified the inclusion of currently diagnosed and treated patients as a potential source of bias. CONCLUSIONS: The inclusion of currently diagnosed and treated patients in studies of depression screening tool accuracy is a problem that limits the applicability of research findings for actual clinical practice. Studies are needed that evaluate the diagnostic accuracy of depression screening tools among only untreated patients who would potentially be screened in practice.
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 | 0,252 | 0,406 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,013 | 0,052 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».