How to improve adherence to antidepressant treatments in patients with major depression: a psychoeducational consensus checklist
Notice bibliographique
Résumé
Studies conducted in primary care as well as in psychiatric settings show that more than half of patients suffering from major depressive disorder (MDD) have poor adherence to antidepressants. Patients prematurely discontinue antidepressant therapy for various reasons, including patient-related (e.g., misperceptions about antidepressants, side-effects, and lack of tolerability), clinician-related (e.g., insufficient instruction received by clinicians about the medication, lack of shared decision-making, and follow-up care), as well as structural factors (e.g., access, cost, and stigma). The high rate of poor adherence to antidepressant treatments provides the impetus for identifying factors that are contributing to noncompliance in an individual patient, to implement a careful education about this phenomenon. As adherence to antidepressants is one of the major unmet needs in MDD treatment, being associated with negative outcomes, we sought to identify a series of priorities to be discussed with persons with MDD with the larger aim to improve treatment adherence. To do so, we analyzed a series of epidemiological findings and clinical reasons for this phenomenon, and then proceeded to define through a multi-step consensus a set of recommendations to be provided by psychiatrists and other practitioners at the time of the first (prescription) visit with patients. Herein, we report the results of this initiative.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».