Examining differences in brain metabolism associated with childhood maltreatment and suicidal attempt in euthymic patients with bipolar disorder: A PET and Machine Learning Study
Notice bibliographique
Résumé
OBJECTIVE: Childhood maltreatment (CM) is a significant risk factor for the development and severity of bipolar disorder (BD) with increased risk of suicide attempts (SA). This study evaluated whether a machine learning algorithm could be trained to predict if a patient with BD has a history of CM or previous SA based on brain metabolism measured by positron emission tomography. METHODS: Thirty-six euthymic patients diagnosed with BD type I, with and without a history of CM were assessed using the Childhood Trauma Questionnaire. Suicide attempts were assessed through the Mini International Neuropsychiatric Interview (MINI-Plus) and a semi-structured interview. Resting-state positron emission tomography with 18F-fluorodeoxyglucose was conducted, electing only grey matter voxels through the Statistical Parametric Mapping toolbox. Imaging analysis was performed using a supervised machine learning approach following Gaussian Process Classification. RESULTS: Patients were divided into 18 participants with a history of CM and 18 participants without it, along with 18 individuals with previous SA and 18 individuals without such history. The predictions for CM and SA were not significant (accuracy = 41.67%; p = 0.879). CONCLUSION: Further investigation is needed to improve the accuracy of machine learning, as its predictive qualities could potentially be highly useful in determining histories and possible outcomes of high-risk psychiatric patients.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».