Depression and depressive symptoms in physicians prior to the COVID-19 pandemic: a systematic review and meta-analysis
Notice bibliographique
Résumé
Background: Mental health disorders, such as depression, can significantly impact a physician's well-being and the quality of care they provide. We conducted a systematic review and meta-analysis to identify risk factors and to estimate the prevalence of depression and depressive symptoms in physicians prior to the COVID-19 pandemic. Methods: This PRISMA 2020-compliant systematic review and meta-analysis searched EMBASE, APA PsycINFO, and MEDLINE databases for studies published between January 2002 and March 2020 (pre-COVID-19 period). Risk of bias was assessed using a modified Newcastle-Ottawa Scale for cohort and cross-sectional studies. We included studies of physicians where depression/depressive symptoms were measured by either a validated questionnaire or clinical diagnosis. The primary and secondary outcomes measures included assessing the prevalence of depression/depressive symptoms, and whether depression differed by pertinent risk factors (study design, sex, specialty, training stage) in the literature prior to the COVID-19 pandemic. Results: = 98%). Most studies were cross-sectional surveys (n=28) and cohort studies (n=14). A total of 13 different assessment methods were used. We found no statistically significant difference in depression between male and female physicians (OR: 0.78, 95% CI: 0.46, 131), and a slightly increased rates in residents compared to staff physicians [pooled estimates of 36% (95% CI: 26-47%) and 29% (95% CI: 13-53%)]. Finally, 25 studies were deemed "High" risk of bias, while the remaining 17 were "Low" risk. Conclusions: In this review examining depression and depressive symptoms among physicians, we report a pooled estimate of 34% prior to the COVID-19 pandemic. Due to the high degree of heterogeneity in study design and limited examination of key risk factors, limited conclusions can be made regarding the true prevalence across the physicians, and how best to target interventions. Systematic review registration: https://www.crd.york.ac.uk/prospero/, identifier CRD42021232814.
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 | 0,016 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,018 | 0,042 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 ».