A systematic review and meta-analysis on the comorbidity of premenstrual dysphoric disorder or premenstrual syndrome with mood disorders: prevalence, clinical and neurobiological correlates
Notice bibliographique
Résumé
BACKGROUND: Mood disorders are among the leading causes of disease burden worldwide, with 20-70% of affected individuals experiencing comorbid premenstrual disorders. This systematic review and meta-analysis investigated the comorbidity of premenstrual dysphoric disorder (PMDD) or premenstrual syndrome (PMS) with non-reproductive mood disorders. AIMS: We aimed to determine the pooled prevalence of PMDD/PMS with adult mood disorders, assess the impact of comorbidity on clinical course and summarise the associated neurobiological findings. METHOD: Eligible studies were identified through Embase, MEDLINE and APA PsycINFO from inception to 22 January 2024 (PROSPERO, no. CRD42021246796). Studies on women ('females') with diagnoses of PMDD/PMS and mood disorders were included. Risk of bias was assessed using National Institutes of Health quality assessment tools. A random-effects, pooled-prevalence meta-analysis was conducted using the Comprehensive Meta-Analysis software, categorising diagnostic sampling strategies as follows: mood disorders diagnosed first, PMDD/PMS diagnosed first or concurrent diagnoses. A narrative synthesis explored secondary outcomes, including illness course and biomarkers. RESULTS: = 3646) contributing to the meta-analysis. Seven studies focused on bipolar disorders, 18 on unipolar depressive disorders and 14 on mixed samples of bipolar and unipolar disorders. Random-effects pooled-prevalence meta-analyses showed consistently high comorbidity rates between PMDD/PMS and mood disorders, ranging from 42% (95% CI: 30%, 55%) to 49% (95% CI: 38%, 60%) across sampling strategies. Risk of bias varied, with methodological heterogeneity noted. CONCLUSIONS: This review underscores high comorbidity rates between PMDD/PMS and mood disorders, regardless of sampling strategy, and highlights the need for research into clinical and neurobiological characteristics specific to this comorbidity. Limitations include study heterogeneity, reliance on cross-sectional designs and provisional PMDD/PMS diagnoses. Future research should address these gaps to inform diagnostic and therapeutic advancements tailored to this population.
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 | 0,015 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,019 | 0,036 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».