Assessment of patient life engagement in major depressive disorder using items from the Inventory of Depressive Symptomatology Self-Report (IDS-SR)
Notice bibliographique
Résumé
BACKGROUND: Patient-reported outcomes can measure domains that are personally meaningful, such as life engagement, which reflects motivation, pleasure, and well-being. This study explored whether certain items from the Inventory of Depressive Symptomatology Self-Report (IDS-SR) can capture patient life engagement in major depressive disorder (MDD). METHODS: IDS-SR life engagement items were identified by a) a panel of expert psychiatrists (n = 4), b) patient interviews (n = 20), and c) a principal component analysis (PCA) to explore clustering of items. Psychometric analyses were performed on potential subscales, and a minimal clinically important difference (MCID) was estimated by anchor- and distribution-based methods. IDS-SR data were obtained from three randomized controlled trials of adjunctive brexpiprazole in MDD. RESULTS: Expert psychiatrists selected 10 items by consensus from the IDS-SR that might capture patient life engagement (Cronbach's alpha, 0.82; item-total correlations, 0.36-0.58). Patient interviews identified 13 items as moderately to very relevant to life engagement (Cronbach's alpha, 0.85; item-total correlations, 0.35-0.61). The PCA revealed a cluster that included all 10 items selected by psychiatrists and 11 items identified by patients. Expert psychiatrists intentionally distinguished life engagement and core depressive symptoms, although patient insights and the PCA indicated that these aspects of MDD are strongly linked. The 10-item IDS-SR life engagement subscale had an MCID of 3-5 points. CONCLUSIONS: Different approaches consistently identified a subset of 10 IDS-SR items that can measure life engagement in MDD, which may be suitable to group into an IDS-SR life engagement subscale.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».