Risk stratification of new-onset psychiatric disorders using clinically distinct traumatic brain injury phenotypes
Notice bibliographique
Résumé
BACKGROUND: Patients with traumatic brain injury (TBI) constitute a highly heterogeneous population, with varying risks for New-onset Psychiatric Disorders (NPDs). The objectives of this study were to identify TBI phenotypes and determine how NPDs differ among these phenotypes. METHODS: Hospitalized TBI patients from 2003 to 2019 were obtained from the provincial trauma registry. Propensity score matching was conducted to balance covariates among patients with TBI and controls. To uncover heterogeneity in TBI, latent class analysis (LCA)-based clustering was applied. LCA was conducted separately for two TBI cohorts: those with and without pre-injury psychiatric conditions The effect of classes on NPDs was assessed using log binomial regression models. RESULTS: A total of 3,453 patients with TBI and 13,112 controls were included in the analysis. In a conditional regression involving propensity matched patients with TBI and controls, TBI was significantly associated with the development of NPD-A (OR: 2.78; 95% CI: 2.49-3.09), as well as NPD-P (OR: 2.36; 95% CI: 2.07-2.70). Eight distinct latent classes were identified which differed in the incidence of NPDs. Four classes displayed a 53% (RR:1.53; 95% CI: 1.31-1.78), 48% (RR:1.48; 95% CI: 1.26-1.74), 28% (RR:1.28; 95% CI: 1.08-1.54), and 20% (RR: 1.20, 95%CI: 1.03-1.39), increased NPD risk. CONCLUSION: TBI is a significant predictor of NPDs. There are clinically distinguishable phenotypes with different patterns of NPD risk among patients with TBI. Identifying individuals with respect to their phenotype may improve risk stratification of patients with TBI and promote early intervention for psychiatric care in this vulnerable population.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».