Prioritization of Multi-level Risk Factors, and Predicting Changes in Depression Ratings after Treatment Using Multi-Task Learning
Notice bibliographique
Résumé
Major depressive disorder (MDD) is the most common mental health disorder and is one of the leading preventable causes of death in the United States (U.S.). It is also recognized as a global problem by the World Health organization (WHO). The persistence of MDD leads to many negative consequences including suicide and disability. The Hamilton Rating Scale for Depression (HAM-D) evaluates depression severity based on 17 risk factors (symptoms) of depression. Risk factor analysis is a process to identify and understand the risk factors contributing to a particular disease, and is an essential component in the development of efficient and effective prevention and intervention efforts. Most existing methods use a one-size-fits-all model to identify the risk factors at the population-level. However, this type of method fails to account for data heterogeneity within a population. To overcome this limitation, we formulate a subpopulation specific MDD risk factors (symptoms) ranking problem, under the framework of multi-task learning (MTL), to identify a ranked list of MDD risk factors for each subpopulation (task) simultaneously while utilizing appropriate shared information across tasks. By synchronously learning multiple related tasks, MTL provides a paradigm to rank risk factors both at the subpopulation and population-level. To the best of our knowledge, this is the first study to investigate HAM-D using MTL.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».