Otimização adesão ao tratamento medicamentoso da depressão na atenção básica: estratégias eficazes e fatores influenciadores
Bibliographic record
Abstract
Em ambulatórios de atenção primária, a prevalência de sintomas depressivos acomete até 10% dos pacientes. Apesar das terapias eficazes, a adesão ao tratamento antidepressivo apresenta baixa adesão e alta taxa de abandono, contribuindo para a refratariedade ao tratamento, maior morbimortalidade e risco de suicídio. Objetivo: identificar estratégias e os fatores que influenciam na melhora da adesão ao tratamento medicamentoso da depressão na Atenção Básica. Metodologia: Trata-se de uma revisão integrativa da literatura através da base de dados "PubMed" com os seguintes descritores: "(major depressive disorder) AND (medication adherence) AND (depression)". Foram excluídos artigos que não tinham enfoque na adesão ao tratamento. Resultados e Discussão: Esta revisão revela que a qualidade das informações apresentadas na primeira consulta pode influenciar na otimização da adesão. Os profissionais devem explicar que o tratamento exige acompanhamento a longo prazo e adesão, bem como retratar os efeitos colaterais. Deve-se incluir parceiros e família no plano terapêutico, o que pode contribuir significativamente. Ademais, a abordagem interdisciplinar no cuidado demonstrou ser efetividade. A terapia cognitivo-comportamental em grupo (TCCG) é uma ferramenta eficaz que pode reduzir o senso de estigma dos pacientes, promove a adesão e alivia os sintomas. Antecipa-se que pacientes com sintomas graves possam se beneficiar mais dessas intervenções. Conclusão: A não adesão aos antidepressivos representa um significativo desafio na prática clínica contemporânea, comprometendo a eficácia dos tratamentos. Esta revisão revela que melhorar a adesão pode ser alcançado com estratégias como boa comunicação, envolvimento de familiares e abordagem interdisciplinar. Implementar essas estratégias é crucial para melhorar os resultados.
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 | 0.005 | 0.020 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".