Markov models of major depression for linking psychiatric epidemiology to clinical practice.
Notice bibliographique
Résumé
BACKGROUND: Most epidemiological studies of major depression report estimates of period prevalence. Such estimates are useful for public health applications, but are not very helpful for informing clinical practice. Period prevalence is determined predominantly by incidence and episode duration, but it is difficult to connect these epidemiological concepts to clinical issues such as risk and prognosis. Incidence is important for primary and secondary prevention, and prognostic information is useful for clinical decision-making. The objective of this study was to decompose period prevalence data for major depression into its constituent elements, thereby enhancing the value of these estimates for clinical practice. Data from a series of population-based Canadian studies were used in the analysis. Markov models depicting incidence, prevalence and recovery from major depressive episodes were developed. Monte Carlo simulation was used to constrain model parameters to the epidemiological data. RESULTS: The association of sex with major depression was found to be due to a higher incidence in women. In distinction, the higher prevalence in unmarried subjects was mostly due to a different prognosis. Age-related changes in prevalence were influenced by both factors. Education, which was not found to be associated with major depression in the survey data, had no impact either on risk or prognosis. CONCLUSION: The period prevalence of major depression is influenced both by incidence (risk) and episode duration (prognosis). Mathematical modeling of the underlying epidemiological relationships can make such data more readily interpretable in relation to clinical practice.
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 | 0,006 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».