A narrative review of digital biomarkers in the management of major depressive disorder and treatment-resistant forms
Notice bibliographique
Résumé
Introduction: Depression is the leading cause of worldwide disability, until now only 3% of patients with major depressive disorder (MDD) experiences full recovery or remission. Different studies have tried to better understand MDD pathophysiology and its resistant forms (TRD), focusing on the identification of candidate biomarkers that would be able to reflect the patients' state and the effects of therapy. Development of digital technologies can generate useful digital biomarkers in a real-world setting. This review aims to focus on the use of digital technologies measuring symptom severity and predicting treatment outcomes for individuals with mood disorders. Methods: Two databases (PubMed and APA PsycINFO) were searched to retrieve papers published from January 1, 2013, to July 30, 2023, on the use of digital devices in persons with MDD. All papers had to meet specific inclusion criteria, which resulted in the inclusion of 12 articles. Results: Research on digital biomarkers confronts four core aspects: (I) predicting diagnostic status, (II) assessing symptom severity and progression, (III) identifying treatment response and (IV) monitoring real-word and ecological validity. Different wearable technologies have been applied to collect physiological, activity/sleep, or subjective data to explore their relationships with depression. Discussion: Depression's stable rates and high relapse risk necessitate innovative approaches. Wearable devices hold promise for continuous monitoring and data collection in real world setting. Conclusion: More studies are needed to translate these digital biomarkers into actionable interventions to improve depression diagnosis, monitoring and management. Future challenges will be the applications of wearable devices routinely in personalized medicine.
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 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».