Primary care-based screening and management of depression amongst heavy drinking patients: Interim secondary outcomes of a three-country quasi-experimental study in Latin America
Notice bibliographique
Résumé
INTRODUCTION: Implementation of evidence-based care for heavy drinking and depression remains low in global health systems. We tested the impact of providing community support, training, and clinical packages of varied intensity on depression screening and management for heavy drinking patients in Latin American primary healthcare. MATERIALS AND METHODS: Quasi-experimental study involving 58 primary healthcare units in Colombia, Mexico and Peru randomized to receive: (1) usual care (control); (2) training using a brief clinical package; (3) community support plus training using a brief clinical package; (4) community support plus training using a standard clinical package. Outcomes were proportion of: (1) heavy drinking patients screened for depression; (2) screen-positive patients receiving appropriate support; (3) all consulting patients screened for depression, irrespective of drinking status. RESULTS: 550/615 identified heavy drinkers were screened for depression (89.4%). 147/230 patients screening positive for depression received appropriate support (64%). Amongst identified heavy drinkers, adjusting for country, sex, age and provider profession, provision of community support and training had no impact on depression activity rates. Intensity of clinical package also did not affect delivery rates, with comparable performance for brief and standard versions. However, amongst all consulting patients, training providers resulted in significantly higher rates of alcohol measurement and in turn higher depression screening rates; 2.7 times higher compared to those not trained. CONCLUSIONS: Training using a brief clinical package increased depression screening rates in Latin American primary healthcare. It is not possible to determine the effectiveness of community support on depression activity rates due to the impact of COVID-19.
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 | 0,006 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».