MétaCan
Menu
Retour à la cohorte
Enregistrement W3087568496 · doi:10.46497/archrheumatol.2020.7920

Comment on: Prevalence, Risk Factors and Assessment of Depressive Symptoms in Patients With Systemic Sclerosis

2020· article· en· W3087568496 sur OpenAlexafffund
Yin Wu, Zelalem Negeri, Andrea Benedetti, Brett D. Thombs

Notice bibliographique

RevueArchives of Rheumatology · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueSystemic Sclerosis and Related Diseases
Établissements canadiensMcGill UniversityJewish General Hospital
Organismes subventionnairesFonds de Recherche du Québec - Santé
Mots-clésMedicineDepressive symptomsMultiple sclerosisPsychiatryCognition

Résumé

récupéré en direct d'OpenAlex

Dr. March et al.[1] administered the Major Depression Inventory (MDI) to 94 systemic sclerosis (SSc) patients and reported that “the prevalence of depressive symptoms” based on MDI scores of ≥20 was 22.3%, which they described as “high prevalence”. Self-report symptom questionnaires like the MDI, however, are not designed to ascertain case status or estimate prevalence and should not be used for this purpose. Members of our team published studies in 2007-2008 that used questionnaires for this purpose.[2,3] However, since then we have demonstrated that depression symptom questionnaires tend to overestimate prevalence, sometimes substantially.[4,5] This is because cutoffs on depression screening questionnaires are typically set to cast a wide net and identify a pool of people who may have depression - but not to ascertain case status. The degree to which estimates of prevalence generated from questionnaires may overestimate depression depends on the questionnaire and cutoff used. Nonetheless, as an example, for the commonly used nine-item Patient Health Questionnaire (PHQ-9) and a standard cutoff of ≥10, sensitivity and specificity are 88% and 85%, respectively.[6] Thus, a “prevalence” of 15% would be generated even if there are no participants with depression. Illustrating this problem further in SSc, Jewett et al.[7] reported that the 30-day prevalence of major depressive disorder among 345 SSc patients based on a validated diagnostic interview was 3.8%. However, based on the PHQ-9, which was administered simultaneously, and a cutoff of ≥10, the rate was 27%,[6] more than seven times the actual prevalence. The MDI has been used mostly among patients with depressive disorders or those suspected of having depression, and no large primary studies or systematic reviews have established its accuracy for screening or identifying case status among non-psychiatric populations, as used in the study by Dr. March et al.[1] Thus, it is not known how the percentage of participants with scores of 20 or greater would relate to the percentage who might have a depressive disorder. Labeling the percentage of patients who score above a threshold on a self-report questionnaire as “prevalence of depressive symptoms” rather than depression does not solve the problem. Labeling this as prevalence still clearly indicates that there is some entity that exists and begins at that threshold. However, there is no evidence showing that any cutoff on the MDI separates people into those with significant impairment and those without, which is the purpose of diagnosis. Second, if the objective is simply to identify a threshold where symptoms are present and greater than those below the threshold, any cutoff could be used, rendering any given threshold meaningless in terms of “prevalence”. It is likely the case that people with SSc are more likely to have depression than people without the disease. The percentage reported in the study by Dr. March et al.,[1] however, does not allow us to draw conclusions about the degree that this may be the case.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,373

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,238
Écart entre enseignants0,225 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueArchives of RheumatologyMême sujetSystemic Sclerosis and Related DiseasesTravaux en français237 207