Systematic review of clinical effectiveness of interventions for treatment resistant late-life depression
Notice bibliographique
Résumé
BACKGROUND: Treatment-resistant late-life depression (TRLLD) affects nearly half of older adults with major depression. This systematic review evaluates published evidence of effectiveness of both pharmacological and non-pharmacological treatments for TRLLD. METHODS: A search of MEDLINE, EMBASE, CINAHL, PsycINFO, the Cochrane Library, and online trial registries up to March 2024 was conducted to identify randomized controlled trials (RCTs) evaluating pharmacological and non-pharmacological interventions for TRLLD. RESULTS: Seven studies assessed the effectiveness of pharmacological interventions (antidepressants, antipsychotics, mood stabilizers, or ketamine) and another seven examined non-pharmacological approaches (psychotherapy, electroconvulsive therapy, repetitive transcranial magnetic stimulation (rTMS), and computerized cognitive remediation). Aripiprazole (2 studies), venlafaxine (1 study), ketamine (1 study), and lithium (1 study) were associated with a reduction in depressive symptoms post-treatment compared to the comparator treatment group. rTMS (2 studies), sequential bilateral theta burst stimulation (1 study) and cognitive remediation (1 study) also showed significant improvements in depressive symptoms post-treatment compared to a comparator treatment group. Quality of evidence varied from very low to medium among the included studies. Most studies reported data on small sample sizes. CONCLUSIONS AND IMPLICATIONS: We identified a small number of RCTs evaluating treatments for TRLLD. Aripiprazole augmentation appears to be an effective treatment based on two studies, with an acceptable side effect profile. Other treatments may be effective, but the evidence is based on very low-quality evidence. Future large-scale RCTs are urgently needed to draw firm conclusions.
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 | 0,020 | 0,139 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,004 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».