Longitudinal Digital Mood Charting in Bipolar Disorder: Experiences with ChronoRecord Over 20 Years
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Longitudinal study is an essential methodology for understanding disease trajectories, treatment effects, symptom changes, and long-term outcomes of affective disorders. Daily self-charting of mood and other illness-related variables is a commonly recommended intervention. With the widespread acceptance of home computers in the early 2000s, automated tools were developed for patient mood charting, such as ChronoRecord, a software validated by patients with bipolar disorder. The purpose of this study was to summarize the daily mood, sleep, and medication data collected with ChronoRecord, and highlight some of the key research findings. Lessons learned from implementing a computerized tool for patient self-reporting are also discussed. METHODS: After a brief training session, ChronoRecord software for daily mood charting was installed on a home computer and used by 609 patients with affective disorders. RESULTS: The mean age of the patients was 40.3±11.8 years, a mean age of onset was 22±11.2 years, and 71.4% were female. Patients were euthymic for 70.8% of days, 15.1% had mild depression, 6.6% had severe depression, 6.6% had hypomania, and 0.8% had mania. Among all mood groups, 22.4% took 1-2 medications, 37.2% took 3-4 medications, 25.7 took 5-6 medications, 11.6% took 7-8 medications, and 3.1% took >8 medications. CONCLUSION: The daily mood charting tool is a useful tool for increasing patient involvement in their care, providing detailed patient data to the physician, and increasing understanding of the course of illness. Longitudinal data from patient mood charting was helpful in both clinical and research settings.
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.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 découle