Towards a major methodological shift in depression research by assessing continuous scores of recurrence of illness, lifetime and current suicidal behaviors and phenome features
Notice bibliographique
Résumé
BACKGROUND: The binary major depressive disorder (MDD) diagnosis is inadequate and should never be used in research. AIMS: The study's objective is to explicate our novel precision nomothetic strategy for constructing depression models based on adverse childhood experiences (ACEs), lifetime and current phenome, and biomarker (atherogenicity indices) scores. METHODS: This study assessed recurrence of illness (ROI: namely recurrence of depressive episodes and suicidal behaviors, SBs), lifetime and current SBs and the phenome of depression, neuroticism, dysthymia, anxiety disorders, and lipid biomarkers including apolipoprotein (Apo)A, ApoB, free cholesterol and cholesteryl esters, triglycerides, high density lipoprotein cholesterol in 67 normal controls and 66 MDD patients. We computed atherogenic and reverse cholesterol transport indices. RESULTS: We were able to extract one factor from a) the lifetime phenome of depression comprising ROI, and traits such as neuroticism, dysthymia and anxiety disorders, and b) the phenome of the acute phase (based on depression, anxiety and quality of life scores). PLS analysis showed that 55.7 % of the variance in the lifetime + current phenome factor was explained by increased atherogenicity, neglect and sexual abuse, while atherogenicity partially mediated the effects of neglect. Cluster analysis generated a cluster of patients with major dysmood disorder, which was externally validated by increased atherogenicity and characterized by increased scores of all clinical features. CONCLUSIONS: The outcome of depression should not be represented as a binary variable (MDD or not), but rather as multiple dimensional scores based on biomarkers, ROI, subclinical depression traits, and lifetime and current phenome scores including SBs.
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) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,002 |
| 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 ».