A Novel Unsupervised Machine Learning Approach to Assess Postural Dynamics in Euthymic Bipolar Disorder
Notice bibliographique
Résumé
Bipolar disorder (BD) is a mood disorder with different phases alternating between euthymia, manic or hypomanic episodes, and depressive episodes. While motor abnormalities are commonly seen during depressive or manic episodes, not much attention has been paid to postural abnormalities during periods of euthymia and their association with illness burden. We collected 24-hour posture data in 32 euthymic participants diagnosed with BD using a shirt-based wearable. We extracted a set of nine time-domain features, and performed unsupervised participant clustering. We investigated the association between posture variables and 12 clinical characteristics of illness burden. Based on their postural dynamics during the daytime, evening, or nighttime, participants clustered in three clusters. Higher illness burden was associated with lower postural variability, in particular during daytime. Participants who exhibited a mostly upright sitting/standing posture during the night with frequent nighttime postural transitions had the highest number of lifetime depressive episodes. Euthymic participants with BD exhibit postural abnormalities that are associated with illness burden, especially with the number of depressive episodes. Our results contribute to understanding the role of illness burden on posture changes and sleep consolidation in periods of euthymia.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 |
| 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 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 ».