Development and validation of prediction algorithms for major depressive episode in the general population
Notice bibliographique
Résumé
BACKGROUND: To develop and validate sex specific prediction algorithms for 4-year risk of major depressive episode (MDE) using data from a population-based longitudinal cohort. METHODS: Household residents from 10 provinces were randomly recruited and interviewed by Statistics Canada. 10,601 participants who were aged 18 years and older and who did not meet the criteria for MDE in the 12 months prior to a baseline interview in 2000/01 were included in algorithm development; data from 7902 participants who were aged 18 and older and who were free of MDE in 2004/05 were used for validation. Validation was also conducted in sub-populations that are of practice and policy importance. MDE was assessed using the World Health Organization's Composite International Diagnostic Interview(CIDI)-Short Form for Major Depression (CIDI-SFMD). RESULTS: In the training data, the C statistics for algorithms in men was 0.7953 and was 0.7667 for algorithm in women. The algorithms had good predictive power and calibrated well in the development and validation data. LIMITATIONS: The data relied on self-report. MDE was assessed with CIDI-SFMD. It was not feasible to validate the algorithms in different populations from different countries. CONCLUSIONS: More studies are needed to further validate and refine these algorithms. However, the ability of a small number of easily assessed variables to predict MDE risk indicates that algorithms are a promising strategy for identifying individuals in need of enhanced monitoring and preventive interventions. Ultimately, application of algorithms may lead to increased personalization of treatment, and better clinical outcomes.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».