The PPD-ACT app in Canada: feasibility and a latent class analysis of participants with postpartum depression recruited to a psychiatric genetics study using a mobile application
Notice bibliographique
Résumé
BACKGROUND: Postpartum depression (PPD) and postpartum psychosis (PPP) are linked to negative consequences for women and families. Virtual applications present a solution to the challenge of recruiting large samples for genetic PPD/PPP research. This study aimed to evaluate the feasibility of a protocol for enrolling Canadian women with PPD and PPP to a large international psychiatric genetics study using a mobile application (PPD-ACT), and identify clinically distinct subtypes of PPD in the recruited sample. METHODS: From April 2017-June 2019, Canadian women provided phenotypic data through the PPD-ACT app. Requests for a genetic sample were made from those with a current or past PPD episode based on an Edinburgh Postnatal Depression Scale (EPDS) score > 12 with onset in pregnancy or 0-3 months postpartum, and from those self-reporting lifetime PPP. Latent class analysis (LCA) was used to identify clinically distinct PPD subgroups based on participant responses to the EPDS scale. RESULTS: We identified 797 PPD cases, 404 of whom submitted DNA. There were 109 PPP cases, with 66 submitting DNA. PPD cases (86.7% White, mean 4.7 +/- 7.0 years since their episode) came from across Canadian provinces/territories. LCA identified two PPD classes clinically distinct by symptom severity: [1] moderate-severity (mean EPDS = 18.5+/- 2.5; 8.6% with suicidality), and [2] severe (mean EPDS = 24.5+/- 2.1; 52.8% with suicidality). CONCLUSIONS: A mobile application rapidly collected data from individuals with moderate and severe symptoms of PPD, an advantage for genetics where specificity is optimal, as well as from women with a history of PPP, supporting future work using this approach.
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 | 0,001 |
| 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) | 0,000 | 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 ».