Measurement tools for assessment of older age bipolar disorder: A systematic review of the recent global literature
Notice bibliographique
Résumé
OBJECTIVES: More than 50% of people with bipolar disorder will be age 60 years or older by 2030. There is a need for more data to guide assessment and treatment in older age bipolar disorder (OABD); however, interpretation of findings from small, single-site studies may not be generalizable and there are few large trials. As a step in the direction of coordinated large-scale OABD data collection, it is critical to identify which measurements are currently used and identify potential gaps in domains typically assessed. METHODS: An international group of OABD experts performed a systematic literature review to identify studies examining OABD in the past 6 years. Relevant articles were assessed to categorize the types of clinical, cognitive, biomarker, and neuroimaging OABD tools routinely used in OABD studies. RESULTS: A total of 53 papers were identified, with a broad range of assessments. Most studies evaluated demographic and clinical domains, with fewer studies assessing cognition. There are relatively few biomarker and neuroimaging data, and data collection methods were less comprehensively covered. CONCLUSION: Assessment tools used in the recent OABD literature may help to identify both a minimum and a comprehensive dataset that should be evaluated in OABD. Our review also highlights gaps where key clinical outcomes have not been routinely assessed. Biomarker and neuroimaging assessment could be further developed and standardized. Clinical data could be combined with neuroimaging, genetic, and other biomarkers in large-scale coordinated data collection to further improve our understanding of OABD phenomenology and biology, thereby contributing to research that advances care.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,004 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».