Network analysis of depressive symptoms in Hong Kong residents during the COVID-19 pandemic
Notice bibliographique
Résumé
In network theory depression is conceptualized as a complex network of individual symptoms that influence each other, and central symptoms in the network have the greatest impact on other symptoms. Clinical features of depression are largely determined by sociocultural context. No previous study examined the network structure of depressive symptoms in Hong Kong residents. The aim of this study was to characterize the depressive symptom network structure in a community adult sample in Hong Kong during the COVID-19 pandemic. A total of 11,072 participants were recruited between 24 March and 20 April 2020. Depressive symptoms were measured using the Patient Health Questionnaire-9. The network structure of depressive symptoms was characterized, and indices of "strength", "betweenness", and "closeness" were used to identify symptoms central to the network. Network stability was examined using a case-dropping bootstrap procedure. Guilt, Sad Mood, and Energy symptoms had the highest centrality values. In contrast, Concentration, Suicide, and Sleep had lower centrality values. There were no significant differences in network global strength (p = 0.259), distribution of edge weights (p = 0.73) and individual edge weights (all p values > 0.05 after Holm-Bonferroni corrections) between males and females. Guilt, Sad Mood, and Energy symptoms were central in the depressive symptom network. These central symptoms may be targets for focused treatments and future psychological and neurobiological research to gain novel insight into depression.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,000 |
| 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 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 ».