Early identification of bipolar disorder among young adults – a 22‐year community birth cohort
Notice bibliographique
Résumé
OBJECTIVE: We set forth to build a prediction model of individuals who would develop bipolar disorder (BD) using machine learning techniques in a large birth cohort. METHODS: A total of 3748 subjects were studied at birth, 11, 15, 18, and 22 years of age in a community birth cohort. We used the elastic net algorithm with 10-fold cross-validation to predict which individuals would develop BD at endpoint (22 years) at each follow-up visit before diagnosis (from birth up to 18 years). Afterward, we used the best model to calculate the subgroups of subjects at higher and lower risk of developing BD and analyzed the clinical differences among them. RESULTS: A total of 107 (2.8%) individuals within the cohort presented with BD type I, 26 (0.6%) with BD type II, and 87 (2.3%) with BD not otherwise specified. Frequency of female individuals was 58.82% (n = 150) in the BD sample and 53.02% (n = 1868) among the unaffected population. The model with variables assessed at the 18-year follow-up visit achieved the best performance: AUC 0.82 (CI 0.75-0.88), balanced accuracy 0.75, sensitivity 0.72, and specificity 0.77. The most important variables to detect BD at the 18-year follow-up visit were suicide risk, generalized anxiety disorder, parental physical abuse, and financial problems. Additionally, the high-risk subgroup of BD showed a high frequency of drug use and depressive symptoms. CONCLUSIONS: We developed a risk calculator for BD incorporating both demographic and clinical variables from a 22-year birth cohort. Our findings support previous studies in high-risk samples showing the significance of suicide risk and generalized anxiety disorder prior to the onset of BD, and highlight the role of social factors and adverse life events.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».