Intervenciones no farmacológicas eficaces para la depresión perinatal asociada a mujeres embarazadas: Una revisión integrativa
Bibliographic record
Abstract
Introducción: En países de ingresos medios y bajos, la prevalencia de la depresión durante el embarazo se estima en un 25,8 %. La depresión postparto afecta al 25,8 % de las mujeres puérperas de países de bajos ingresos y al 20,7 % en los países de ingresos medios. La comprobación de que el 50 % de los episodios de depresión postparto comienza, en realidad, en el embarazo deja la necesidad de buscar intervenciones que puedan ser aplicadas en este periodo, debido a las potenciales consecuencias sobre el bienestar de las mujeres, hijos y familias. Por lo tanto, es necesaria la identificación de evidencia actual de intervenciones eficaces no farmacológicas para la depresión perinatal asociada a mujeres embarazadas. Materiales y métodos: Se realizó una revisión integrativa siguiendo la guía de Toronto y Remington, que establece seis etapas para sintetizar la evidencia encontrada. Las bases de datos consultadas fueron EBSCO host, PubMed, Elsevier ScienceDirect y Ovid Medline se recuperaron artículos en inglés y español, publicados de 2019 a 2023. Resultados: Se identificaron 15 artículos, 6 fueron estudios clínicos aleatorizados y 9 revisiones sistemáticas con metaanálisis, en los cuales se reconocieron las terapias psicológicas (incluidas la cognitiva conductual e interpersonal), la atención plena (mindfulness) y de apoyo entre pares como las intervenciones que han demostrado mayores datos significativos en la prevención y tratamiento de la depresión perinatal en su aplicación en mujeres embarazadas.
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 | 0.058 | 0.101 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.004 | 0.004 |
| Bibliometrics | 0.006 | 0.004 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.002 | 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".