How should we construct psychiatric family history scores? A comparison of alternative approaches from the Dunedin Family Health History Study
Notice bibliographique
Résumé
BACKGROUND: There is increased interest in assessing the family history of psychiatric disorders for both genetic research and public health screening. It is unclear how best to combine family history reports into an overall score. We compare the predictive validity of different family history scores. METHOD: Probands from the Dunedin Study (n=981, 51% male) had their family history assessed for nine different conditions. We computed four family history scores for each disorder: (1) a simple dichotomous categorization of whether or not probands had any disordered first-degree relatives; (2) the observed number of disordered first-degree relatives; (3) the proportion of first-degree relatives who are disordered; and (4) Reed's score, which expressed the observed number of disordered first-degree relatives in terms of the number expected given the age and sex of each relative. We compared the strength of association between each family history score and probands' disorder outcome. RESULTS: Each score produced significant family history associations for all disorders. The scores that took account of the number of disordered relatives within families (i.e. the observed, proportion, and Reed's scores) produced significantly stronger associations than the dichotomous score for conduct disorder, alcohol dependence and smoking. Taking account of family size (i.e. using the proportion or Reed's score) produced stronger family history associations depending on the prevalence of the disorder among family members. CONCLUSIONS: Dichotomous family history scores can be improved upon by considering the number of disordered relatives in a family and the population prevalence of the disorder.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».