MétaCan
Menu
Retour à la cohorte
Enregistrement W3037632145 · doi:10.1017/s0033291720002032

Refining our understanding of depressive states and state transitions in response to cognitive behavioural therapy using latent Markov modelling

2020· article· en· W3037632145 sur OpenAlexaff

Notice bibliographique

RevuePsychological Medicine · 2020
Typearticle
Langueen
DomainePsychology
ThématiqueMental Health Research Topics
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésCognitionDepression (economics)Depressive symptomsCognitive therapyCognitive behavioral therapyState (computer science)Markov model

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: It is increasingly recognized that existing diagnostic approaches do not capture the underlying heterogeneity and complexity of psychiatric disorders such as depression. This study uses a data-driven approach to define fluid depressive states and explore how patients transition between these states in response to cognitive behavioural therapy (CBT). METHODS: Item-level Patient Health Questionnaire (PHQ-9) data were collected from 9891 patients with a diagnosis of depression, at each CBT treatment session. Latent Markov modelling was used on these data to define depressive states and explore transition probabilities between states. Clinical outcomes and patient demographics were compared between patients starting at different depressive states. RESULTS: A model with seven depressive states emerged as the best compromise between optimal fit and interpretability. States loading preferentially on cognitive/affective v. somatic symptoms of depression were identified. Analysis of transition probabilities revealed that patients in cognitive/affective states do not typically transition towards somatic states and vice-versa. Post-hoc analyses also showed that patients who start in a somatic depressive state are less likely to engage with or improve with therapy. These patients are also more likely to be female, suffer from a comorbid long-term physical condition and be taking psychotropic medication. CONCLUSIONS: This study presents a novel approach for depression sub-typing, defining fluid depressive states and exploring transitions between states in response to CBT. Understanding how different symptom profiles respond to therapy will inform the development and delivery of stratified treatment protocols, improving clinical outcomes and cost-effectiveness of psychological therapies for patients with depression.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,521
Score d'incertitude au seuil0,504

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,531
Tête enseignante GPT0,509
Écart entre enseignants0,022 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePsychological MedicineMême sujetMental Health Research TopicsTravaux en français237 207