Subtyping psychological distress in the population: a semi-parametric network approach
Notice bibliographique
Résumé
AIMS: The mechanisms underlying both depressive and anxiety disorders remain poorly understood. One of the reasons for this is the lack of a valid, evidence-based system to classify persons into specific subtypes based on their depressive and/or anxiety symptomatology. In order to do this without a priori assumptions, non-parametric statistical methods seem the optimal choice. Moreover, to define subtypes according to their symptom profiles and inter-relations between symptoms, network models may be very useful. This study aimed to evaluate the potential usefulness of this approach. METHODS: A large community sample from the Canadian general population (N = 254 443) was divided into data-driven clusters using non-parametric k-means clustering. Participants were clustered according to their (co)variation around the grand mean on each item of the Kessler Psychological Distress Scale (K10). Next, to evaluate cluster differences, semi-parametric network models were fitted in each cluster and node centrality indices and network density measures were compared. RESULTS: A five-cluster model was obtained from the cluster analyses. Network density varied across clusters, and was highest for the cluster of people with the lowest K10 severity ratings. In three cluster networks, depressive symptoms (e.g. feeling depressed, restless, hopeless) had the highest centrality. In the remaining two clusters, symptom networks were characterised by a higher prominence of somatic symptoms (e.g. restlessness, nervousness). CONCLUSION: Finding data-driven subtypes based on psychological distress using non-parametric methods can be a fruitful approach, yielding clusters of persons that differ in illness severity as well as in the structure and strengths of inter-symptom relationships.
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 | 0,011 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,000 | 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 ».