Decision curve analysis as a framework to estimate the potential value of screening or other decision‐making aids
Notice bibliographique
Résumé
OBJECTIVES: There is an increasing debate about the impact of mental health screening. We illustrate the use of a decision making framework that can be applied when there is no sufficient data to support a traditional cost-benefit analysis. METHODS: We conducted secondary analyses of data from 459 male prisoners who were screened upon intake. We compared the potential benefit of different approaches (screening, history taking, and universal interventions) to allocating treatment resources using decision curve analysis. RESULTS: Screening prisoners for distress at typical levels of sensitivity (75%) and specificity (71%) were estimated to provide the greatest net benefit if between 2 and 5 false positives per detected illness are tolerable. History taking and self-harm screening provide the largest net benefit when only 1 or 2 false positives per detected illness would be tolerable. The benefits of screening were less among those without a recent psychiatric history, ethnic minorities, and those with fewer psychosocial needs. CONCLUSIONS: Although screening has potential to increase detection of treatment, important subgroup differences exist. Greater consideration of responses to positive screens or alternatives to screening are needed to maximize the impact of efforts to improve detection and treatment of mental illness.
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 | 0,188 | 0,349 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,009 |
| Bibliométrie | 0,013 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».