Data-driven cognitive phenotypes in subjects with bipolar disorder and their clinical markers of severity
Notice bibliographique
Résumé
BACKGROUND: Subjects with bipolar disorder (BD) show heterogeneous cognitive profile and that not necessarily the disease will lead to unfavorable clinical outcomes. We aimed to identify clinical markers of severity among cognitive clusters in individuals with BD through data-driven methods. METHODS: We recruited 167 outpatients with BD and 100 unaffected volunteers from Brazil and Spain that underwent a neuropsychological assessment. Cognitive functions assessed were inhibitory control, processing speed, cognitive flexibility, verbal fluency, working memory, short- and long-term verbal memory. We performed hierarchical cluster analysis and discriminant function analysis to determine and confirm cognitive clusters, respectively. Then, we used classification and regression tree (CART) algorithm to determine clinical and sociodemographic variables of the previously defined cognitive clusters. RESULTS: We identified three neuropsychological subgroups in individuals with BD: intact (35.3%), selectively impaired (34.7%), and severely impaired individuals (29.9%). The most important predictors of cognitive subgroups were years of education, the number of hospitalizations, and age, respectively. The model with CART algorithm showed sensitivity 45.8%, specificity 78.4%, balanced accuracy 62.1%, and the area under the ROC curve was 0.61. Of 10 attributes included in the model, only three variables were able to separate cognitive clusters in BD individuals: years of education, number of hospitalizations, and age. CONCLUSION: These results corroborate with recent findings of neuropsychological heterogeneity in BD, and suggest an overlapping between premorbid and morbid aspects that influence distinct cognitive courses of the disease.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».