Predicting 3-year persistent or recurrent major depressive episode using machine learning techniques
Notice bibliographique
Résumé
The identification of predictors of recurrence and persistence of depressive episodes in major depressive disorder (MDD) can be important to inform clinicians and collaborate to clinical decisions. The aim of the present study is to predict recurrent or persistent depressive episodes, in addition to predicting severe recurrent or persistent depressive episodes using a machine learning method. This is a prospective cohort study with three years of follow-up. Individuals diagnosed with MDD in the first phase of the study (2012–2015) were evaluated in the second phase (2012–2015). The sociodemographic, clinical, comorbid disorders and substance use variables were used as predictors in all predictive models. Initially, the first model predicted recurrence/persistence, including subjects of any severity of depression level. The second model predicted recurrence/persistence depression as the first model, although it was trained with severely depressed subjects and those without indicative for depression. The third model predicted severe depression among depressed patients. Area under the curve (AUC) values ranged from 0.65 to 0.81, and accuracies ranged from 62% to 71%. Psychiatric comorbidities, substance abuse/dependence, and family medical history were important features in all three models. The time between baseline and the second phase of the study was approximately three years, making it difficult to detect depressive symptoms during this time frame. Also, age at depression onset and number of episodes were not included in the model due to the large number of missing data. In conclusion, this study adds new information that can help health professionals both in their clinical practice and in public services.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».