Screening for bipolar disorder in a tertiary mental health centre using EarlyDetect: A machine learning-based pilot study
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».