Machine-learning models for depression and anxiety in individuals with immune-mediated inflammatory disease
Notice bibliographique
Résumé
OBJECTIVE: Individuals with immune-mediated inflammatory disease (IMID) have a higher prevalence of psychiatric disorders than the general population. We utilized machine-learning to identify patient-reported outcome measures (PROMs) that accurately predict major depressive disorder (MDD) and anxiety disorder in an IMID population. METHODS: Participants with IMID were enrolled in a cohort study and completed a Structured Clinical Interview for DSM-IV-TR Axis I Disorders (SCID), and multiple PROMs. PROM items were ranked separately for MDD and anxiety disorder by the standardized mean difference between individuals with and without psychiatric disorders. Items were added sequentially to logistic regression (LR), neural network (NN), and random forest (RF) models. Discriminative performance was assessed with area under the receiver operator curve (AUC) and calibration was assessed with Brier scores. Ten-fold cross-validation was used. RESULTS: Of 637 participants, 75% were female and average age was 51 years. AUC and Brier scores respectively ranged from 0.87-0.91 and 0.07 (i.e., no variation) for MDD models, and from 0.79-0.83 and 0.09-0.11 for anxiety disorder models. In LR and NN, few PROM items were required to obtain optimal discriminatory performance. RF did not perform as well as LR and NN when few PROM items were included. CONCLUSIONS: Predictive model performance was respectable and revealed insight into PROM items that are predictive of MDD and anxiety disorder. Models that included only the items 'I felt depressed' and 'I felt like I needed help for my anxiety' performed similarly to models that included all items from multiple PROMs.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».