Assessing 42 inflammatory markers in 321 control subjects and 887 major depressive disorder cases: BMI and other confounders and overall predictive ability for current depression
Notice bibliographique
Résumé
Abstract Inflammatory markers such as cytokines represent potential biomarkers for major depressive disorder (MDD). Many, generally small studies have examined the role of single markers and found significant associations. We assessed 42 inflammatory markers, namely cytokines, in the blood of 321 control subjects and 887 MDD cases. We tested whether individual inflammatory marker levels were significantly affected by MDD case/control status, current episode, or current depression severity, co-varying for age, sex, body mass index (BMI), smoking, current antidepressant use, ethnicity, assay batch and study effects. We further used machine learning algorithms to investigate if we could use our data to blindly discriminate MDD patients, or those in a current episode. We found broad and powerful influences of confounding factors on log-protein levels. Notably, IL-6 levels were very strongly influenced by BMI (p = 1.37 × 10 −43 , variance explained = 18%), while Interleukin-16 was the most significant predictor of current depressive episode (p = 0.003, variance explained = 0.9%, q < 0.1). No single inflammatory marker predicted MDD case/control status when a subject was not in a depressed episode, nor did any predict depression severity. Machine learning results revealed that using inflammatory marker data with clinical confounder information significantly increased precision for differentiating MDD patients who were in an episode. To conclude, a wide panel of inflammatory markers alongside clinical information may aid in predicting the onset of symptoms, but no single inflammatory protein is likely to represent a clinically useful biomarker for MDD diagnosis or prognosis. We note that the potential influence of physical health related and population stratification related confounders on inflammatory biomarker studies in psychiatry is considerable.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».