Developing a clinical decision tool based on electroretinogram to monitor the risk of severe mental illness
Notice bibliographique
Résumé
BACKGROUND: We have shown that electroretinograms can discriminate between patients with severe mental illness (SMI) and healthy controls in previous studies. We now intend to enhance the development and clinical utility of ERG as a biological tool to monitor the risk of SMI. METHODOLOGY: A sample of 301 SMI patients (bipolar disorder or schizophrenia) and 200 controls was first split into a training (N = 401) and testing dataset (N = 100). A logistic regression using ERG was modeled in the training data, while external validation and discriminative ability were assessed in the testing data. A decision curve analysis was used to test clinical usefulness. Moreover, the identification of thresholds of uncertainty based on the two-graph ROC and the interval of uncertainty was used to enhance prediction. RESULTS: The discriminative assessment of the ERG showed very high sensitivity (91%) and specificity (89%) after considering uncertainty levels. Furthermore, for prediction probabilities ranging from 0.14 to 0.95 in the testing data, the net benefit of using our ERG model to decide whether to intervene or not exceeded that of never or always intervening. CONCLUSION: The ERG predicted SMI risk with a high level of accuracy when uncertainty was accounted for. This study further supports the potential of ERG to become a useful clinical decision tool to decide the course of action for subjects at risk of SMI. However, further investigation is still needed in longitudinal studies to assess the external validity of the instrument.
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 | 0,000 |
| 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 ».