Tratamento de idosos com depressão utilizando tricíclicos, IMAO, ISRS e outros antidepressivos
Bibliographic record
Abstract
Antidepressivos são eficazes no tratamento da depressão em idosos. O sucesso do tratamento depende do tipo e da gravidade da depressão; das comorbidades com outras doenças psiquiátricas ou clínicas; da escolha adequada de antidepressivos, de sua eficácia e perfil de efeitos adversos; da orientação do paciente e de sua aderência ao tratamento. O manejo dos efeitos adversos em pacientes idosos, que usam muito mais medicações e apresentam mais doenças, é o ponto forte na escolha de antidepressivos. Em geral, os inibidores seletivos da recaptação de serotonina têm sido preferidos por apresentar menos riscos de complicações por efeitos adversos. Porém, diferentes antidepressivos podem ser preferíveis para diferentes pacientes. É indispensável que o médico conheça o paciente que irá tratar e o perfil de efeitos adversos e de possíveis interações medicamentosas dos antidepressivos para poder escolher o mais adequado para cada paciente. Neste artigo, são abordados os diferentes grupos de antidepressivos no tratamento agudo da depressão em idosos e o tratamento em populações especiais de idosos (idosos debilitados e idosos com demência).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".