Trends in Prescription Medication Use for Depression Symptoms: An Analysis of National Health Interview Survey (NHIS) Data From 2019 to 2023
Notice bibliographique
Résumé
Background: Depression is a major public health concern, and antidepressant medication is commonly prescribed for its management. Understanding trends in antidepressant use across socio-demographic groups is crucial for targeted interventions. Objective: To analyze trends in antidepressant medication use between 2019 and 2023 using data from the National Health Interview Survey (NHIS), focusing on demographic factors such as gender, age, race, and social vulnerability. Method: Data from the NHIS (2019-2023) were analyzed to assess trends in antidepressant use by sociodemographic variables. Descriptive statistics and trends were evaluated using prevalence estimates with confidence intervals. Result: Overall, antidepressant use increased from 9.8% (95% CI: 9.4-10.3) in 2019 to 11.4% (95% CI: 11.0-11.9) in 2023 (p-trend <0.001). The most notable increases were observed among females (13.3% in 2019 to 15.3% in 2023; p-trend <0.05), individuals aged 45-64 years (p-trend <0.05), and those with higher social vulnerability (p-trend =0.004). Racial disparities persisted, with White individuals showing the highest use of antidepressants (11.2% in 2019 to 13.2% in 2023; p-trend <0.05). Use was significantly higher among those with disabilities compared to those without (27.7% vs. 8.1% in 2019; 28.2% vs. 9.7% in 2023; p <0.001). Conclusion: The study reveals a steady increase in antidepressant use from 2019 to 2023, particularly among females, older adults, and individuals with higher social vulnerability or disabilities. Racial disparities in antidepressant use persist, with White individuals showing the highest prevalence. These findings highlight the ongoing need for targeted mental health interventions, especially for vulnerable groups, and underscore the importance of addressing disparities in access to mental health care. Future research should focus on the factors driving these trends and their implications for public health.
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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».