Can the Risk of Severe Depression-Related Outcomes Be Reduced by Tailoring the Antidepressant Therapy to Patient Characteristics?
Notice bibliographique
Résumé
Selective serotonin reuptake inhibitors (SSRIs) are the first-line treatment for patients with unipolar depression, yet there is little guidance on which SSRI provides the most benefit to a patient, based on personal characteristics. In this work, we explore whether an individualized treatment strategy can be used by health-care providers to adapt their prescription pattern to reduce the risk of a severe depression-related outcome (SDO) when choosing between citalopram and fluoxetine, 2 commonly prescribed SSRIs. Our population-based cohort study used data from the Clinical Practice Research Datalink, the Hospital Episode Statistics repository, and the Office for National Statistics database in the United Kingdom to create a cohort of individuals diagnosed with depression who were prescribed citalopram or fluoxetine between April 1998 and December 2017. Patients were followed from treatment initiation until occurrence of the SDO outcome, treatment discontinuation, or end of study. To find an optimal treatment strategy, we used dynamic weighted survival modeling, considering patient features such as age, sex, body mass index, previous psychiatric diagnoses, and medications. Our findings suggest that using patient characteristics to tailor the antidepressant drug therapy is associated with an increase of 4 days in the median time to SDO (95% confidence interval: 2, 10 days).
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 | 0,013 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».