Optimizing treatment for depression in primary care using psychotherapy versus antidepressant medication in a low-resource setting: protocol for the OptimizeD randomized controlled trial
Notice bibliographique
Résumé
BACKGROUND: Psychotherapy and antidepressant medications are first-line treatments for depression, and they both have significant treatment effects on average. However, treatment response varies widely across patients, and neither approach is universally effective. Identifying the most effective treatment for each patient is critical everywhere, but particularly in low-resource settings where access to mental health care is limited. The Optimizing Depression (OptimizeD) trial aims to explore whether different patients respond differently to behavioral activation therapy versus antidepressant medication and if providing each patient with their optimal treatment improves outcomes in primary care. METHODS: We plan to randomize 1,500 patients with moderate to severe depression (defined as a Patient Health Questionnaire [PHQ-9] score ≥ 10) from primary healthcare settings in Bhopal, India, with equal allocation either to a culturally adapted behavioral activation therapy delivered by trained counselors (Healthy Activity Program) or to antidepressant medication (fluoxetine). Treatment will last 3 months, with remission (defined as PHQ-9 score < 5) at 3 months as the primary endpoint. Using machine learning, we will attempt to develop a precision treatment rule that leverages baseline clinical, psychological, cognitive, socioeconomic, and biological data to predict which treatment is most likely to achieve remission for each patient. Cost-effectiveness analysis will then assess whether the added costs of optimizing treatment are justified by improvements in remission, recovery, and cost savings at the health system and societal levels. Secondary and exploratory objectives include assessing the effectiveness of optimization in a range of secondary outcomes, evaluating treatment mechanisms, and exploring whether incorporating genetic and biological markers as predictors improves treatment optimization. DISCUSSION: The OptimizeD trial will evaluate whether baseline information collected in routine care can inform optimal depression treatment selection and identify predictors of nonresponse to facilitate timely specialist referrals. Findings have the potential to enhance personalized depression care in primary health systems, particularly in low-resource settings, with broader implications for global public health. TRIAL REGISTRATION: ClinicalTrials.gov (NCT05944926; registered July 2, 2023) and Clinical Trials Registry India (CTRI/2024/01/061932; registered January 29, 2024).
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 | 0,051 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,007 | 0,004 |
| Méta-épidémiologie (sens large) | 0,012 | 0,009 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,007 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,080 | 0,014 |
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 ».