Diagnosing and treating hypersomnolence in depression
Notice bibliographique
Résumé
Hypersomnolence, a broad presentation encompassing excessive daytime sleepiness, hypersomnia and sleep inertia, affects around 25% of patients with a major depressive disorder. Yet, hypersomnolence is often overlook in clinical settings – which can prevent remission of the mood disorder in addition to significantly interfering with quality of life. Clinical guidelines are lacking to support clinicians in the diagnosis and treatment of hypersomnolence in depression. Pharmacological treatment with selective serotonin reuptake inhibitors is insufficient and noradrenaline and dopamine reuptake inhibitors or similar molecules are generally indicated. Low-sodium oxybate was recently approved in Idiopathic Hypersomnia, but studies are needed to assess its efficacy in patients with comorbid depression. In parallel, cognitive behavioral therapy for hypersomnia is being developed as adjunct non-pharmacological treatment. Light therapy might also be beneficial in that population. This narrative review aims at proposing a diagnostic approach reconciliating psychiatry and sleep medicine nosologies, as well as offering a multimodal treatment algorithm for hypersomnolence in depression. • Up to 25% of patients with depression experience hypersomnolence. • Psychiatry and sleep medicine definitions of hypersomnolence need alignment. • Limited access to diagnostic tools in psychiatry affects hypersomnolence diagnosis. • Differentiating clinophilia from hypersomnolence is critical in research and practice. • Chronotherapies and neuromodulation show potential for treating hypersomnolence in depression.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».