AB013. Major depressive disorder and its risk factors in low- and middle-income countries
Notice bibliographique
Résumé
Background: Major depressive disorder (MDD) currently ranks as the third leading cause of the global disease burden, with projections indicating it could become the foremost cause by 2030. Despite this alarming trajectory, research on the burden of MDD in low- and middle-income countries (LMICs) remains limited. This study aims to examine the disease burden, risk factors, and temporal trends of MDD from 1990 to 2019. Methods: Data were collected from the Global Burden of Disease (GBD) databases for 135 LMICs. Disability-adjusted life years (DALYs) with 95% uncertainty intervals (UIs) were used to estimate the burden of MDD, and risk factors for MDD were analyzed. LMICs were grouped based on the World Bank’s income classification. Results: In 2019, the total number of MDD DALYs in LMICs was 30.04 (95% UI: 20.58–41.51) million, accounting for 80.76% of the global burden. The DALYs rate of MDD generally increased with age across all income groups in LMICs, showing a negative relationship with income level. Females experienced a higher disease burden than males. From 1990 to 2019, the burden of MDD was inversely associated with the income level of LMICs. The leading risk factors for MDD in 2019 were bullying victimization and childhood sexual assault. The impact of these risk factors varied by age, with bullying victimization affecting individuals aged 15–29 and childhood sexual assault having the most significant impact on individuals aged 0–29 in upper-middle-income countries and around age 59 in low-income and upper-middle income countries. Conclusions: MDD remains a significant health concern in LMICs, particularly among females, youth, and the elderly. It is crucial to prioritize interventions and allocate healthcare resources to effectively reduce the burden of MDD in these vulnerable populations.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 | 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 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 ».