Prevalence and determinants of depression among patients under the care of traditional health practitioners in a Kenyan setting: Policy implications
Notice bibliographique
Résumé
In Kenya, there is paucity of information on depression among traditional health practitioner (THP) patients, particularly in rural areas. The aim of this study was to estimate prevalence and identify determinants of major depressive disorder (MDD) among patients of THP in rural Kenya using the World Health Organization (WHO) Mental Health Gap Action Programme Intervention Guideline (mhGAP-IG). All adult patients seeking care from trained THPs (either traditional healers such as diviners and herbalists or faith healers, who use treatments such as prayers, laying hands on patients, or providing holy water and ash to their patients) over a period of 3 months (September 2014 to November 2014) were screened for depression using mhGAP-IG and their sociodemographic characteristics recorded. Overall, the prevalence of depression among THP patients was 22.9%. Being older, female, single, divorced or separated, as well as unemployment and lack of education were found to be significant determinants of depression. Patients with MDD frequently presented with suicidal behavior (32.9%, OR = 5.94, p < .0001) compared to those that had at least one psychotic symptom (26.3%, OR = 3.65, p < .0001). A measure of the accuracy of THPs' assessment of MDD showed 86% specificity and 46% sensitivity and the area under receiver operating characteristics (ROC) curve was 0.686. Our findings shed light on the prevalence of depression among THP patients and thus highlight the need for further research on diagnostic tools for use among THPs in order to avoid substandard care and promote reliance on more evidence-based methods of care.
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 ».