Perinatal depression in India: A narrative review of prevalence, risk factors, and healthcare provider awareness
Notice bibliographique
Résumé
Background: Perinatal depression (PND), encompassing both antenatal and postnatal depression, affects 10%-20% women globally, with reported higher rates in low- and middle-income countries, like India. In India, PND prevalence varies widely (15%-45%), influenced by regional, cultural, and socioeconomic factors. Untreated PND has severe consequences for maternal health, child development, and family dynamics. Healthcare workers (HCWs) play a vital role in early detection, yet awareness and training in India are insufficient. Objective: This review aims to synthesize evidence on prevalence and risk factors of PND in India, assess awareness levels and preparedness among HCWs in managing PND and identify barriers to effective detection and management of PND. Methods: A comprehensive literature search was done in PubMed and Google Scholar for studies published between 2014 and 2024. Inclusion criteria involved studies from India focusing on PND prevalence, risk factors, and HCW awareness. Data extraction, involved study characteristics, prevalence rates, risk factors, HCW awareness. Quality for observational studies was assessed using Newcastle-Ottawa Scale and for systematic review using Preferred Reporting Items for Systematic Reviews and Meta-Analyses guidelines. Results: PND prevalence in India ranged from 15% to 45%, with significant regional variations. Major risk factors included poverty, domestic violence, unplanned pregnancies, and limited spousal support. HCWs demonstrated low awareness, with only 30% of nurses confident in identifying PND symptoms. Barriers to effective management, included cultural stigma, limited mental health training for HCWs, and inadequate healthcare infrastructure. Successful interventions included the use of validated screening tools like the Edinberg Postnatal Depression Scale (EPDS) and community-based support systems. Conclusion: PND remains a significant public health issue in India, exacerbated by sociocultural stigma and healthcare gaps. Integrated mental health services, HCW training, and culturally sensitive interventions are essential to improving PND care. Addressing these issues can reduce maternal and child health disparities and improve outcomes in resource-limited settings.
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 | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,011 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».