Machine Learning Prediction of Quality of Life Improvement During Antidepressant Treatment of Patients With Major Depressive Disorder
Notice bibliographique
Résumé
Quality of life (QoL) is an important patient-centric outcome to evaluate in treatment of major depressive disorder (MDD). This work sought to investigate the performance of several machine learning methods to predict a return to normative QoL in patients with MDD after antidepressant treatment. Several binary classification algorithms were trained on data from the first 2 weeks of the Sequenced Treatment Alternatives to Relieve Depression (STAR*D) study (n = 651, conducted from 2001 to 2006) to predict week 9 normative QoL (score ≥ 67, based on a community normative sample, on the Quality of Life Enjoyment and Satisfaction Questionnaire-Short Form [Q-LES-Q-SF]) after treatment with citalopram. Internal validation was performed using a STAR*D holdout dataset, and external validation was performed using the Canadian Biomarker Integration Network in Depression-1 (CAN-BIND-1) dataset (n = 175, study conducted from 2012 to 2017) after treatment with escitalopram. Feature importance was calculated using SHapley Additive exPlanations (SHAP). Random Forest performed most consistently on internal and external validation, with balanced accuracy (area under the receiver operator curve) of 71% (0.81) on the STAR*D dataset and 69% (0.75) on the CAN-BIND-1 dataset. Random Forest Classifiers trained on Q-LES-Q-SF and Quick Inventory of Depressive Symptomatology-Self-Rated variables had similar performance on both internal and external validation. Important predictive variables came from psychological, physical, and socioeconomic domains. Machine learning can predict normative QoL after antidepressant treatment with similar performance to that of prior work predicting depressive symptom response and remission. These results suggest that QoL outcomes in MDD patients can be predicted with simple patient-rated measures and provide a foundation to further improve performance and demonstrate clinical utility. ClinicalTrials.gov identifiers NCT00021528 and NCT01655706.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».