Differential biomarker signatures in unipolar and bipolar depression: A machine learning approach
Notice bibliographique
Résumé
OBJECTIVE: This study used machine learning techniques combined with peripheral biomarker measurements to build signatures to help differentiating (1) patients with bipolar depression from patients with unipolar depression, and (2) patients with bipolar depression or unipolar depression from healthy controls. METHODS: We assessed serum levels of interleukin-2, interleukin-4, interleukin-6, interleukin-10, tumor necrosis factor-α, interferon-γ, interleukin-17A, brain-derived neurotrophic factor, lipid peroxidation and oxidative protein damage in 54 outpatients with bipolar depression, 54 outpatients with unipolar depression and 54 healthy controls, matched by sex and age. Depressive symptoms were assessed using the Hamilton Depression Rating Scale. Variable selection was performed with recursive feature elimination with a linear support vector machine kernel, and the leave-one-out cross-validation method was used to test and validate our model. RESULTS: Bipolar vs unipolar depression classification achieved an area under the receiver operating characteristics (ROC) curve (AUC) of 0.69, with 0.62 sensitivity and 0.66 specificity using three selected biomarkers (interleukin-4, thiobarbituric acid reactive substances and interleukin-10). For the comparison of bipolar depression vs healthy controls, the model retained five variables (interleukin-6, interleukin-4, thiobarbituric acid reactive substances, carbonyl and interleukin-17A), with an AUC of 0.70, 0.62 sensitivity and 0.7 specificity. Finally, unipolar depression vs healthy controls comparison retained seven variables (interleukin-6, Carbonyl, brain-derived neurotrophic factor, interleukin-10, interleukin-17A, interleukin-4 and tumor necrosis factor-α), with an AUC of 0.74, a sensitivity of 0.68 and 0.70 specificity. CONCLUSION: Our findings show the potential of machine learning models to aid in clinical practice, leading to more objective assessment. Future studies will examine the possibility of combining peripheral blood biomarker data with other biological data to develop more accurate signatures.
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 | 0,003 |
| 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 | 0,001 | 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 ».