Depression in Primary Care: Current and Future Challenges
Notice bibliographique
Résumé
OBJECTIVES: To describe the current state of knowledge about detection and treatment of major depressive disorder (MDD) by family physicians (FPs), and to identify gaps in practice and current and future challenges. METHODS: We reviewed the recent literature on MDD (Diagnostic and Statistical Manual of Mental Disorders, Fourth Edition, or International Classification of Diseases, Revision 10) in primary care, with an emphasis on systematic reviews and meta-analyses addressing prevalence, the impact of an aging population and of chronic disease on MDD rates in primary care, detection and treatment rates by FPs, adequacy of treatment, and interventions that could improve recognition and treatment. RESULTS: About 10% of primary care patients are likely to meet criteria for MDD. The number of cases will increase as the baby boomer cohort ages and as the prevalence of chronic disease increases. The bidirectional relation between MDD and chronic disease is now firmly established. Detection and treatment rates in primary care remain low. Treatment quality is frequently inadequate in terms of follow-up and monitoring. Formal case management and collaborative care interventions are likely to provide some benefits. CONCLUSIONS: Low detection rates and low treatment rates need to be addressed. Planned reassessment may improve detection rates when the FP is uncertain whether MDD is present, but further research is needed to determine why FPs frequently do not initiate treatment, even when MDD is detected. A caring, attentive FP who monitors depressed patients is likely to have considerable placebo effect. Greater focus on integrated, concurrent treatment for MDD and chronic physical diseases in the middle-aged and elderly is also required.
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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».