Depression, Anxiety, and Other Mental Disorders in Patients With Cancer in Low- and Lower-Middle–Income Countries: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
PURPOSE: Cancer is a growing public health issue in low- and lower-middle-income countries (LLMICs), but the mental health consequences in this setting have not been well-characterized. We aimed to systematically evaluate the available literature on the prevalence, associates, and treatment of mental disorders in patients with cancer in LLMICs. METHODS: We systematically searched Medline, PsycINFO, EMBASE, and CINAHL. We performed a random effects meta-analysis to determine the pooled prevalence of major depression or anxiety disorders in this population, defined by Diagnostic and Statistical Manual of Mental Disorders or International Classification of Diseases criteria. We qualitatively reviewed studies that examined the prevalence of depressive or anxiety disorders defined by self-report tools, the prevalence of other mental disorders, associated factors of depressive and anxiety symptoms, and the treatment of mental disorders in this population. RESULTS: Forty studies spanning a 15-year period were included in the review. The pooled prevalence defined by Diagnostic and Statistical Manual of Mental Disorders or International Classification of Diseases criteria was 21% for major depression (95% CI, 15 to 28) and 18% for anxiety disorders (95% CI, 8 to 30). Depressive and anxiety symptoms were most frequently associated with advanced disease and low levels of education. Among the four studies evaluating treatment, three evaluated the effectiveness of psychotherapy and one evaluated a yoga program. CONCLUSION: The prevalence of depression and anxiety in patients with cancer generally appears higher in LLMICs than in upper-income countries. Our findings demonstrate the existence of a significant and underappreciated disease burden. We suggest that clinicians remain vigilant to psychiatric symptoms. Improved screening and treatment are likely to improve quality of life and reduce both morbidity and mortality.
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 | 0,010 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,019 | 0,030 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».