Screening for bipolar disorder in a tertiary mental health centre using EarlyDetect: A machine learning-based pilot study
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.
Notice bibliographique
Résumé
: Bipolar disorder (BD) is a prevalent mental health illness with a direct impact on patient's well-being. Self-report-based BD screening questionnaires such as the Mood Disorder Questionnaire (MDQ) is economical and clinically validated. We use a machine-learning approach to test whether utilizing our composite screening application - EarlyDetect (ED), designed for assessing an array of mental health illness, can enhance bipolar disorder screening over MDQ. : This was a retrospective, naturalistic study at a tertiary mental health centre in western Canada. Participants (n = 955; 56.4% female; mean age 35.4; 18.7% BD) completed ED and underwent a clinical interview with a blinded psychiatrist for diagnostic accuracy. Elastic net and leave-one-out cross-validation was used to make more confident predictions at an individual level. : Using composite scoring, the balanced accuracy of our tool was 80.6%, with a sensitivity of 73.7% and a specificity of 87.5%. Compared with the MDQ original scoring method, the fully composite ED model improved balanced accuracy by 6.9%, sensitivity by 14.5%, while maintaining specificity. : Patients were assessed using clinical psychiatric evaluations, which are subjective. There is also the potential for self-reporting bias. BD subtypes were not differentiated. The cross-sectional design of this study rules out conclusions of causality. : Our results show improved BD detection accuracy using composite measures.
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 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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 découle