Prediction of quality of life in schizophrenia using machine learning models on data from clinical antipsychotic trials of intervention effectiveness (CATIE) schizophrenia trial
Notice bibliographique
Résumé
Introduction Schizophrenia is a chronic and severe mental disorder. While research focus remains mainly on negative outcomes, it is questionable whether we are placing enough emphasis on improving their sense of well-being and functioning. This could be accessed through the study of the quality of life (QoL). To date, QoL prediction models mainly focused on neurocognition and psychotic symptoms, but their predictive power remained limited. Objectives The aim is to accurately predict the QoL within schizophrenia using unsupervised learning methods. Methods We computed variables from 952 patients from the CATIE study, a randomized, double-blind clinical trial for schizophrenia treatment. QoL was measured using the Heinrichs-Carpenter Quality of Life Scale and potential predictors included almost all available variables: symptoms, neurocognition, medication adherence, insight, adverse effects, etc. By optimizing parameters to reach optimal models, three linear regressions were calculated: (1) baseline predictors of 12-month QoL, (2) 6-month predictors of 12-month QoL, and (3) baseline predictors of 6-month QoL. Adjustments were made to ensure that included variables were not collinear nor redundant with QoL. Results Calculated models had adjusted R-squared of 0.918, 0.922 and 0.913, respectively. Best predictors were medication side effects, sociodemographic and neurocognitive variables. Low psychotic and depressive symptoms were also included, as well as lab values suggesting the absence of problems with chloremia and calcemia. Conclusions Calculated predictive models explain almost all subsequent QoL. It appears that physical health variables, generally omitted from mental health-related studies, have an important impact on patients’ QoL. Therefore, interventions should also consider these aspects. Disclosure No significant relationships.
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 | 0,010 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».