Development of a brief screening method for identification of depression in older adults in Sub-Saharan Africa
Notice bibliographique
Résumé
OBJECTIVES: To develop a brief, culturally appropriate screening tool for identifying late life depression (LLD), for use by non-specialist clinicians in primary and out-patient care settings in sub-Saharan Africa (SSA). BACKGROUND: Depressive disorders are a leading contributor to the global health burden. LLD is common and cases will increase as populations' age, particularly in low- and middle-income countries (LMICs), such as those in SSA. A chronic mental health workforce shortage and the absence of culturally adapted LLD screening tools to aid non-specialist clinicians have contributed to a significant diagnostic gap. DESIGN: A systematic random sample of older people attending general medical clinics were interviewed using a 30-item LLD questionnaire, developed utilizing a Delphi consensus analysis of items from the Geriatric Depression Scale, Patient Health Questionnaire-2 and questions developed from a study of lay conceptualisations of depression in Tanzania. The items were assessed for validity against blinded DSM 5 diagnosis of depression by a research doctor. Factor and item analysis were then used to refine the questionnaire. RESULTS: The 12-item Maddison Old-age Scale for Identifying Depression (MOSHI-D) was developed. It has good internal consistency (Cronbach's α = 0.820) and construct and criterion validity (AUROC = 0.880). CONCLUSIONS: On initial evaluation, the MOSHI-D showed good internal validity. It should be easy for non-specialists to administer. External validation and further refinement will be conducted. A culturally-appropriate LLD screen may improve mental health care integration into existing healthcare settings within SSA and facilitate greater patient access to care, in accordance with current WHO strategy.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».