Detecting depression in persons living in long-term care: a systematic review and meta-analysis of diagnostic test accuracy studies
Notice bibliographique
Résumé
OBJECTIVE: Depressive disorders are common in long-term care (LTC), however, there is no one process used to detect depressive disorders in this setting. Our goal was to describe the diagnostic accuracy of depression detection tools used in LTC settings. METHODS: We conducted a systematic review and meta-analysis of diagnostic accuracy measures. The databases PubMed, EMBASE, PsycINFO and CINAHL were searched from inception to 10 September 2021. Studies involving persons living in LTC, assisted living residences or facilities, comparing diagnostic accuracy of depression tools with a reference standard, were included. The Quality Assessment of Diagnostic Accuracy Studies (QUADAS-2) tool was used to assess risk of bias. RESULTS: We identified 8,463 citations, of which 20 studies were included in qualitative synthesis and 19 in meta-analysis. We identified 23 depression detection tools (including different versions) that were validated against a reference standard. At a cut-off point of 6 on the Geriatric Depression Scale-15 (GDS-15), the pooled sensitivity was 73.6% (95% confidence interval (CI) 43.9%-76.5%), specificity was 76.5% (95% CI 62.9%-86.7%), and an area under the curve was 0.83. There was significant heterogeneity in these analyses. There was insufficient data to conduct meta-analysis of other screening tools. The Nursing Homes Short Depression Inventory (NH-SDI) had a sensitivity ranging from 40.0% to 98.0%. The 4-item Cornell Scale for Depression in Dementia (CSDD) had the highest sensitivity (67.0%-90.0%) for persons in LTC living with dementia. CONCLUSIONS: There are 23 tools validated for detection of depressive disorders in LTC, with the GDS-15 being the most studied. Tools developed specifically for use in LTC settings include the NH-SDI and CSDD-4, which provide briefer options to screen for depression. However, more studies of both are needed to examine tool accuracy using meta-analyses.
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 | 0,033 | 0,094 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,020 | 0,037 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 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 ».