Determinants of effective treatment coverage for major depressive disorder in the WHO World Mental Health Surveys
Notice bibliographique
Résumé
Abstract Background Most individuals with major depressive disorder (MDD) receive either no care or inadequate care. The aims of this study is to investigate potential determinants of effective treatment coverage. Methods In order to examine obstacles to providing or receiving care, the type of care received, and the quality and use of that care in a representative sample of individuals with MDD, we analyzed data from 17 WHO World Mental Health Surveys conducted in 15 countries (9 high-income and 6 low/middle-income). Of 35,012 respondents, 3341 had 12-month MDD. We explored the association of socio-economic and demographic characteristics, insurance, and severity with effective treatment coverage and its components, including type of treatment, adequacy of treatment, dose, and adherence. Results High level of education (OR = 1.63; 1.19, 2.24), private insurance (OR = 1.62; 1.06, 2.48), and age (30–59yrs; OR = 1.58; 1.21, 2.07) predicted effective treatment coverage for depression in a multivariable logistic regression model. Exploratory bivariate models further indicate that education may follow a dose—response relation; that people with severe depression are more likely to receive any services, but less likely to receive adequate services; and that in low and middle-income countries, private insurance (the only significant predictor) increased the likelihood of receiving effective treatment coverage four times. Conclusions In the regression models, specific social determinants predicted effective coverage for major depression. Knowing the factors that determine who does and does not receive treatment contributes to improve our understanding of unmet needs and our ability to develop targeted interventions.
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) | 0,001 | 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) | 0,065 | 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 ».