Psychosocial profiles and their predictors in epilepsy using patient‐reported outcomes and machine learning
Notice bibliographique
Résumé
OBJECTIVE: To apply unsupervised machine learning to patient-reported outcomes to identify clusters of epilepsy patients exhibiting unique psychosocial characteristics. METHODS: Consecutive outpatients seen at the Calgary Comprehensive Epilepsy Program outpatient clinics with complete patient-reported outcome measures on quality of life, health state valuation, depression, and epilepsy severity and disability were studied. Data were acquired at each patient's first clinic visit. We used k-means++ to segregate the population into three unique clusters. We then used multinomial regression to determine factors that were statistically associated with patient assignment to each cluster. RESULTS: We identified 462 consecutive patients with complete patient-reported outcome measure (PROM) data. Post hoc analysis of each cluster revealed one reporting elevated measures of psychosocial health on all five PROMs ("high psychosocial health" cluster), one with intermediate measures ("intermediate" cluster), and one with poor overall measures of psychosocial health ("poor psychosocial health" cluster). Failing to achieve at least 1 year of seizure freedom (relative risk [RR] = 4.34, 95% confidence interval [CI] = 2.13-9.09) predicted placement in the "intermediate" cluster relative to the "high" cluster. In addition, failing to achieve seizure freedom, social determinants of health, including the need for partially or completely subsidized income support (RR = 6.10, 95% CI = 2.79-13.31, P < .001) and inability to drive (RR = 4.03, 95% CI = 1.6-10.00, P = .003), and a history of a psychiatric disorder (RR = 3.16, 95% CI = 1.46-6.85, P = .003) were associated with the "poor" cluster relative to the "high" cluster. SIGNIFICANCE: Seizure-related factors appear to drive placement in the "intermediate" cluster, with social determinants driving placement in the "poor" cluster, suggesting a threshold effect. Precision intervention based on cluster assignment, with an initial emphasis on improving social support and careful titration of medications for those reporting the worst psychosocial health, could help optimize health for patients with epilepsy.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».