Evaluating Prevalence and Patterns of Prescribing Medications for Depression for Patients With Obesity Using Large Primary Care Data (Canadian Primary Care Sentinel Surveillance Network)
Notice bibliographique
Résumé
Introduction: Depression is a serious disorder that brings a tremendous health and economic burden. Many antidepressants (AD) have obesogenic effects, increasing the population of obese patients at increased risk for a more severe disease course and poor treatment response. In addition, obese patients with depression may not be receiving the recommended standard of care due to “obesity bias”. It is important to evaluate prescribing pharmacological treatment of depression in patients with obesity. Objectives: To describe the prevalence and patterns of AD prescribing for patients with depression and comorbid obesity compared with normal weight patients, and to examine the association of prescribing prevalence with obesity class. Methods: Study sample of adult patients (>18 years old) with depression was extracted from the national Canadian Primary Care Sentinel Surveillance Network (CPCSSN) Electronic Medical Records database for 2011-2016. Measures were prescribing of at least one AD (outcome) and body mass index (BMI) to categorize patients into weight categories (exposure). Data were analyzed cross-sectionally using descriptive statistics and mixed effects logistic regression model with clustering on CPCSSN networks and adjusting for age, sex, and the comorbidities. Results: Of 120,381 patients with depression, 63,830 patients had complete data on studied variables (complete cases analysis). Compared with normal weight patients, obese patients were more likely to receive an AD prescription (adjusted Odds Ratio [aOR]=1.17; 95% Confidence Interval [CI]: 1.12-1.22). Patients with obesity classes II and III were 8% (95%CI: 1.00, 1.16) and 6% (95%CI: 0,98, 1.16) more likely, respectively, to receive AD. After imputing missing data using Multiple Imputations by Chained Equations, the results remained unchanged. The prevalence of prescribing > 3 AD types was higher in obese category (7.27%, [95%CI: 6.84, 7.73]) than in normal weight category (5.6%; [95%CI: 5.24, 5.99]). Conclusion: The association between obesity and high prevalence of AD prescribing and prescribing high number of different AD to obese patients, consistent across geographical regions, raises a public health concern. Study results warrant qualitative studies to explore reasons behind the difference in prescribing, and quantitative longitudinal studies evaluating the association of AD prescribing patterns for obese patients with 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.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».