Emotional hyper‐reactivity and cardiometabolic risk in remitted bipolar patients: a machine learning approach
Notice bibliographique
Résumé
Objective Remitted bipolar disorder (BD) patients frequently present with chronic mood instability and emotional hyper‐reactivity, associated with poor psychosocial functioning and low‐grade inflammation. We investigated emotional hyper‐reactivity as a dimension for characterization of remitted BD patients, and clinical and biological factors for identifying those with and without emotional hyper‐reactivity. Method A total of 635 adult remitted BD patients, evaluated in the French Network of Bipolar Expert Centers from 2010–2015, were assessed for emotional reactivity using the Multidimensional Assessment of Thymic States. Machine learning algorithms were used on clinical and biological variables to enhance characterization of patients. Results After adjustment, patients with emotional hyper‐reactivity ( n = 306) had significantly higher levels of systolic and diastolic blood pressure ( P < 1.0 × 10 −8 ), high‐sensitivity C‐reactive protein ( P < 1.0 × 10 −8 ), fasting glucose ( P < 2.23 × 10 −6 ), glycated hemoglobin ( P = 0.0008) and suicide attempts ( P = 1.4 × 10 −8 ). Using models of combined clinical and biological factors for distinguishing BD patients with and without emotional hyper‐reactivity, the strongest predictors were: systolic and diastolic blood pressure, fasting glucose, C‐reactive protein and number of suicide attempts. This predictive model identified patients with emotional hyper‐reactivity with 84.9% accuracy. Conclusion The assessment of emotional hyper‐reactivity in remitted BD patients is clinically relevant, particularly for identifying those at higher risk of cardiometabolic dysfunction, chronic inflammation, and suicide.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».