MétaCan
Menu
Retour à la cohorte
Enregistrement W3097404387 · doi:10.2217/pme-2020-0033

Big Data in Severe Mental Illness: the Role of Electronic Monitoring Tools and Metabolomics

2020· review· en· W3097404387 sur OpenAlex
Hema Sekhar Reddy Rajula, Mirko Manchia, Bernardo Carpiniello, Vassilios Fanos

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevuePersonalized Medicine · 2020
Typereview
Langueen
DomaineNeuroscience
ThématiqueTryptophan and brain disorders
Établissements canadiensDalhousie University
Organismes subventionnairesMarie Curie
Mots-clésBig dataMental illnessPsychological interventionData scienceIntervention (counseling)Perspective (graphical)Personalized medicineMedicineComputer scienceMental healthBioinformaticsPsychiatryData miningArtificial intelligenceBiology

Résumé

récupéré en direct d'OpenAlex

There is an increasing interest in the development of effective early detection and intervention strategies in severe mental illness (SMI). Ideally, these efforts should lead to the delineation of accurate staging models of SMI enabling personalized interventions. It is plausible that big data approaches will be instrumental in describing the developmental trajectories of SMI by facilitating the incorporation of data from multiple sources, including those pertaining to the biological make-up of affected subjects. In this review, we first aimed to offer a perspective on how big data are helping the delineation of personalized approaches in SMI, and, second, to offer a quantitative synthesis of big data approaches in metabolomics of SMI. We finally described future directions of this research area.

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.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,996
Score d'incertitude au seuil0,788

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,106
Tête enseignante GPT0,344
Écart entre enseignants0,238 · 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