Prediction of suicidality in bipolar disorder using variability of intrinsic brain activity and machine learning
Notice bibliographique
Résumé
Bipolar disorder (BD) is associated with marked suicidal susceptibility, particularly during a major depressive episode. However, the evaluation of suicidal risk remains challenging since it relies mainly on self-reported information from patients. Hence, it is necessary to complement neuroimaging features with advanced machine learning techniques in order to predict suicidal behavior in BD patients. In this study, a total of 288 participants, including 75 BD suicide attempters, 101 BD nonattempters and 112 healthy controls, underwent a resting-state functional magnetic resonance imaging (rs-fMRI). Intrinsic brain activity was measured by amplitude of low-frequency fluctuation (ALFF). We trained and tested a two-level k-nearest neighbors (k-NN) model based on resting-state variability of ALFF with fivefold cross-validation. BD suicide attempters had increased dynamic ALFF values in the right anterior cingulate cortex, left thalamus and right precuneus. Compared to other machine learning methods, our proposed framework had a promising performance with 83.52% accuracy, 78.75% sensitivity and 87.50% specificity. The trained models could also replicate and validate the results in an independent cohort with 72.72% accuracy. These findings based on a relatively large data set, provide a promising way of combining fMRI data with machine learning technique to reliably predict suicide attempt at an individual level in bipolar depression. Overall, this work might enhance our understanding of the neurobiology of suicidal behavior by detecting clinically defined disruptions in the dynamics of instinct brain activity.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».