Women's decision making about antidepressant use during pregnancy: A narrative review
Notice bibliographique
Résumé
BACKGROUND: Depression is common, particularly among women of childbearing age, and can have far-reaching negative consequences if untreated. Efficacious treatments are available, but little is known about how women make depression treatment decisions during pregnancy. The purpose of this narrative review is to interpretively synthesize literature on women's decision making (DM) regarding antidepressant use during pregnancy. METHODS: The databases PubMed, CINAHL, and PsycINFO were searched between May 2015 and August 2017 for peer-reviewed, English-language papers using terms such as "depression," "pregnancy," and "DM." The literature matrix abstraction method was used to systematically abstract data from full articles that met criteria for inclusion. RESULTS: Of the articles abstracted (N = 10), half did not cite a DM theory on which the work was based. Key aspects of DM for this population were need for information and decision support, desire for active participation in DM, reflection on beliefs and values, evaluation of treatment option sequelae, and societal expectations. Treatment DM for depression during pregnancy is particularly impacted by the stigma associated with depression and societal expectations of pregnant women related to medication use during pregnancy. These findings, however, were based on studies of predominantly Caucasian and well-educated women. CONCLUSIONS: Women require a nonjudgmental environment, in which shared DM feels safe, to foster positive DM experiences and outcomes. Future research is needed to define how to best support women to make depression treatment decisions in pregnancy, with particular attention to DM in the second and third trimesters of pregnancy.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 |
| 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 ».