Treating to target in major depressive disorder: response to remission to functional recovery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Treating to target in chronic diseases [e.g. Major Depressive Disorder (MDD)] fosters precision, consistency, and appropriateness of treatment selection and sequencing. Therapeutic target definitions/endpoints in MDD should satisfy patient-, provider-, and societal expectations. Functional recovery in depression and return to both physical and mental health are the overarching therapeutic objectives. Treating to target in MDD implies multidimensional symptomatic remission, with a particular emphasis on cognitive function and aspects of positive mental health. Several atypical antipsychotic agents (i.e. brexpiprazole, aripiprazole, quetiapine) are FDA-approved as augmentation agents in MDD. Vortioxetine, duloxetine, and psychostimulants have evidence of independent, direct, and robust effects on cognitive function in MDD. Vortioxetine is the only agent that demonstrates efficacy across multiple cognitive domains in MDD associated with functional recovery. Measurement-based care, health information technology/systems, and integrated care models (e.g. medical homes) provide requisite tools and health environments for optimal health outcomes in MDD. Achieving remission in MDD does not equate to health. Return to positive mental health as well as full functioning provide the impetus to pivot away from traditional provider-defined outcomes toward an inclusive perspective involving patient- and society-defined outcomes (i.e. optimization of human capital). As in other chronic diseases, treating to target (e.g. cognitive function) further increases the probability of achieving optimal health outcomes.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 découle