Prevalence of attention‐deficit/hyperactivity disorder in people with mood disorders: A systematic review and meta‐analysis
Notice bibliographique
Résumé
OBJECTIVE: Attention-deficit/hyperactivity disorder (ADHD) in mood disorders is associated with unfavorable outcomes, including more frequent mood episodes, and increased risk of suicide. The reported prevalence of ADHD in individuals with mood disorders varies widely. METHODS: , 2020, using search terms for ADHD and mood disorders. We included original data on the prevalence of ADHD in individuals with bipolar disorder (BD) or major depressive disorder (MDD). We estimated the prevalence of ADHD, by developmental period and disorder using random-effects meta-analyses. We also compared the rate of ADHD in people with MDD and BD, and with and without mood disorders. RESULTS: Based on 92 studies including 17089 individuals, prevalence of ADHD in BD is 73% (95% CI 66-79) in childhood, 43% (95% CI 35-50) in adolescence, and 17% (95% CI 14-20) in adulthood. Data from 52 studies with 16897 individuals indicated that prevalence of ADHD in MDD is 28% (95% CI 19-39) in childhood, 17% (95% CI 12-24) in adolescence, and 7% (95% CI 4-11) in adulthood. ADHD was three times more common in people with mood disorders compared to those without and 1.7 times more common in BD compared to MDD. CONCLUSION: People with mood disorders are at a significant risk for ADHD. ADHD should be assessed and treated in individuals with BD and MDD. Comprehensive assessment strategies are needed to address challenges of diagnosing ADHD alongside mood disorders.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,013 | 0,003 |
| Bibliométrie | 0,001 | 0,006 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».