Global trends in antidepressant, atypical antipsychotic, and benzodiazepine use: A cross-sectional analysis of 64 countries
Notice bibliographique
Résumé
OBJECTIVE: To describe the trends in use of antidepressants (ADs), atypical antipsychotics (AAPs), and benzodiazepines (BZDs) among high-, middle-, and low-income countries. METHODS: A cross-sectional time-series analysis by country from July 2014 to December 2019 utilizing IQVIA's Multinational Integrated Data Analysis database was conducted. Population-controlled rates of use were calculated in number of standard units of medications per drug class per population size. The United Nations' 2020 World Economic Situation and Prospects was used to group countries into high-, middle-, and low-income. Percent change in rates of use per drug class was calculated from July 2014 to July 2019. Linear regression analyses were conducted to assess the predictability of percent change in use utilizing a country's baseline rate of use per drug class and economic status as predictor variables. RESULTS: A total of 64 countries were included: 33 high-, 6 middle-, and 25 low-income. Average baseline rates of use for ADs in high-, middle-, and low-income countries were 2.15, 0.35, and 0.38 standard units per population size, respectively. For AAPs, rates were 0.69, 0.15, and 0.13, respectively. For BZDs, rates were 1.66, 1.46, and 0.33, respectively. Average percent changes in use for ADs by economic status were 20%, 69%, and 42%, respectively. For AAPs, they were 27%, 78%, and 69%, respectively. For BZDs, they were -13%, 4%, and -5%, respectively. Some associations were found demonstrating that as a country's economic status increases, percent change of AD (p = 0.916), AAP (p = 0.23), and BZD (p = 0.027) use decreases. Similarly, as baseline rate of use for ADs and AAPs increases, percent change in use decreases with p-values of 0.026 and 0.054, respectively. For BZDs, as baseline rate of use increases, percent change in use increases (p = 0.038). CONCLUSIONS: High-income countries have a higher rate of treatment utilization compared to low- and middle-income countries (LMICs) with treatment utilization increasing in all countries of interest.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».