Proof‐of‐concept of a data‐driven approach to estimate the associations of comorbid mental and physical disorders with global health‐related disability
Notice bibliographique
Résumé
Abstract Objective The standard method of generating disorder‐specific disability scores has lay raters make rankings between pairs of disorders based on brief disorder vignettes. This method introduces bias due to differential rater knowledge of disorders and inability to disentangle the disability due to disorders from the disability due to comorbidities. Methods We propose an alternative, data‐driven, method of generating disorder‐specific disability scores that assesses disorders in a sample of individuals either from population medical registry data or population survey self‐reports and uses Generalized Random Forests (GRF) to predict global (rather than disorder‐specific) disability assessed by clinician ratings or by survey respondent self‐reports. This method also provides a principled basis for studying patterns and predictors of heterogeneity in disorder‐specific disability. We illustrate this method by analyzing data for 16 disorders assessed in the World Mental Health Surveys ( n = 53,645). Results Adjustments for comorbidity decreased estimates of disorder‐specific disability substantially. Estimates were generally somewhat higher with GRF than conventional multivariable regression models. Heterogeneity was nonsignificant. Conclusions The results show clearly that the proposed approach is practical, and that adjustment is needed for comorbidities to obtain accurate estimates of disorder‐specific disability. Expansion to a wider range of disorders would likely find more evidence for heterogeneity.
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 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 | 0,005 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 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 tête enseignante, 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 ».