Individualized identification of sexual dysfunction of psychiatric patients with machine-learning
Notice bibliographique
Résumé
Sexual dysfunction (SD) is prevalent in patients with mental health disorders and can significantly impair their quality of life. Early recognition of SD in a clinical setting may help patients and clinicians to optimize treatment options of SD and/or other primary diagnoses taking SD risk into account and may facilitate treatment compliance. SD identification is often overlooked in clinical practice; we seek to explore whether patients with a high risk of SD can be identified at the individual level by assessing known risk factors via a machine learning (ML) model. We assessed 135 subjects referred to a tertiary mental health clinic in a Western Canadian city using health records data, including age, sex, physician's diagnoses, drug treatment, and the Arizona Sexual Experiences Scale (ASEX). A ML model was fitted to the data, with SD status derived from the ASEX as target outcomes and all other variables as predicting variables. Our ML model was able to identify individual SD cases-achieving a balanced accuracy of 0.736, with a sensitivity of 0.750 and a specificity of 0.721-and identified major depressive disorder and female sex as risk factors, and attention deficit hyperactivity disorder as a potential protective factor. This study highlights the utility of SD screening in a psychiatric clinical setting, demonstrating a proof-of-concept ML approach for SD screening in psychiatric patients, which has marked potential to improve their quality of life.
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 | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».