Depressão e hipotireoidismo: Uma revisão sistemática
Bibliographic record
Abstract
Contexto e Objetivo: Diante da prevalência global de transtornos depressivos e da associação potencial com condições neuroendócrinas como o hipotireoidismo, este estudo objetivou explorar a relação entre hipotireoidismo e depressão ou sintomas depressivos. Métodos: Utilizando as bases de dados PubMed, Embase e CAPES, seguindo a metodologia PRISMA, foram selecionados estudos publicados entre 2018 e 2022. Os critérios de inclusão abrangeram artigos em inglês, espanhol ou português, usando métodos diagnósticos variados, incluindo exames laboratoriais e entrevistas clínicas ou escalas psicológicas. Excluíram-se revisões, estudos em animais, entre outros tipos de publicações não primárias. A qualidade dos estudos foi avaliada pela Newcastle-Ottawa Scale. Resultados: Dos 14 artigos selecionados, emergiu uma associação significativa entre hipotireoidismo e depressão, particularmente em mulheres, incluindo aquelas em terapia de reposição hormonal. Todavia, os dados sobre a relação entre hipotireoidismo subclínico e depressão foram conflitantes. Adicionalmente, o hipotireoidismo como comorbidade no transtorno depressivo maior pode contribuir para desfechos clínicos graves. Conclusões: Esses resultados sugerem uma possível associação entre o hipotireoidismo e a depressão. Este achado realça a importância de avaliar a função tireoidiana em pacientes depressivos, especialmente mulheres, para um diagnóstico e tratamento eficazes, alinhados à prática clínica baseada em evidências.
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 | 0.010 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.017 | 0.015 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".