On the Origins of MAOI Misconceptions: Reaffirming their Role in Melancholic Depression
Notice bibliographique
Résumé
The first monoamine oxidase inhibitors (MAOIs) used for the treatment of depression in the 1950–60s were credited with treating severe melancholic depression (MeD) successfully and greatly reducing the need for electroconvulsive therapy (ECT). Following the hiatus caused by the then ill-understood cheese reaction, MAOI use was relegated to atypical and treatment-resistant depressions only, based on data from insufficiently probing research studies suggesting their comparatively lesser effectiveness in MeD. The siren attraction of new ‘better’ drugs with different mechanisms amplified this trend. Following a re-evaluation of the data, we suggest that MAOIs are effective in MeD. Additionally, the broad unitary conceptualisation of major depressive disorder (MDD) in the DSM model diminished the chance of demonstrating distinctive responses to different antidepressant drugs (ADs) such as SSRIs, TCAs, and MAOIs, thereby further reducing the interest in MAOIs. More reliable categorical distinction of MeD, disentangling it from MDD, may be possible if more sensitive measuring instruments (CORE, SMPI) are used. We suggest these issues will benefit from re-appraisement via an inductive reasoning process within a binary (rather than a unitary) model for defining the different depressive disorders, allowing for the use of more reliable diagnostic criteria for MeD in particular. We conclude that MAOIs remain essential for, inter alia , TCA-resistant MeD, and should typically be used prior to ECT; additionally, they have a role in maintaining remission in cases treated with ECT (and ketamine/esketamine). We suggest that MAOIs should be utilized earlier in treatment algorithms and with greater regularity than is presently the case.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 | 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 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 ».