Patterns and predictors of naturally occurring change in depressive symptoms over a 30-month period in multiple sclerosis
Notice bibliographique
Résumé
BACKGROUND: Depressive symptoms are common in multiple sclerosis (MS), yet there is little information about the pattern and predictors of changes in depressive symptoms over time. OBJECTIVE: We examined changes in depressive symptoms over a 30-month period and the demographic, clinical and behavioral predictors of such changes in relapsing-remitting MS (RRMS). METHODS: 269 persons with RRMS completed the Hospital Anxiety and Depression Scale (HADS) and a demographic/clinical scale, Godin Leisure-Time Exercise Questionnaire (GLTEQ) and Patient Determined Disease Steps (PDDS) scale every 6 months over a 30-month period. Data were analyzed using latent class growth modeling (LCGM). RESULTS: LCGM identified a two-class model for changes in HADS depression scores over time. Class 1 involved lower initial status (i.e. fewer depressive symptoms) and linear decreases in depressive symptoms over time (i.e. improving HADS scores), whereas Class 2 involved higher initial status (i.e. more depressive symptoms) and linear increases in depressive symptoms over time (i.e. worsening HADS scores). LCGM further indicated that being older (OR = 2.46; p < .05), married (OR = 2.62; p < .05), employed (OR = 4.29; p < .005) and physically active (OR = 2.71; p < .05) predicted a greater likelihood of belonging to C1 than C2. CONCLUSIONS: Depressive symptoms change over time in persons with RRMS, and the pattern of change can be predicted by modifiable and non-modifiable factors.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».