Clinical prescription of lithium, anticonvulsants antipsychotics, and antidepressants for major mood disorders
Notice bibliographique
Résumé
BACKGROUND: As choices of treatments for bipolar disorder types I (BD1) and II (BD2) and major depressive disorder (MDD) continue to evolve, we reviewed studies directly comparing current clinical usage rates of medicinal treatments for these disorders. METHODS: Comprehensive searching of five literature databases through March 2024 identified reports on clinical drug prescription rates for BD and MDD patients. Rates were summarized and compared by random-effects meta-analyses with R-Studio software. RESULTS: A total of 18 reports (2006-2023) supported comparisons of clinically prescribed treatments for 17,572 mood-disorder patients (mean age 42.8 years; 7936 BD1 age 43.2 years; 6309 BD2, age 43.3; 3327 MDD, age 40.0). Among diagnoses: (BD1 vs. BD2 vs. MDD), treatments differed as: lithium (54.4% vs. 38.0% vs. 6.78%), second-generation antipsychotics (41.6% vs. 22.3% vs. 15.9%), valproate (25.7% vs. 21.5%; no MDD data), lamotrigine (13.1% vs. 27.2%; no MDD data), and antidepressants (34.9% vs. 46.4% vs. 77.5%). International use of lithium for BD appeared to increase between 2006 and 2023. LIMITATIONS: Outcomes were heterogeneous and requiring inclusion of lithium may introduce selection bias. CONCLUSIONS: Clinical treatment selections for BD1, BD2, and MDD patients differed substantially. Use of modern antipsychotics is undergoing major increases for both BD and MDD; optimal use of antidepressants for BD remains uncertain; and notably, international use of lithium tended to increase in the present data.
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) | 0,000 | 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) | 0,000 | 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 ».