The misclassification of depression and anxiety disorders in the multiple sclerosis prodrome: A probabilistic bias analysis
Notice bibliographique
Résumé
BACKGROUND: Studies suggest that depression/anxiety form part of the multiple sclerosis (MS) prodrome. However, several biases have not been addressed. We re-examined this association after correcting for: (i) misclassification of individuals not seeking healthcare, (ii) differential surveillance of depression/anxiety in the health system, and (iii) misclassified person-time from using the date of the first MS-related diagnostic claim (i.e., a demyelinating event) as a proxy for MS onset. METHODS: In this cohort study, we applied a validated algorithm to health administrative ('claims') data in British Columbia, Canada (1991-2020) to identify MS cases, and matched to general population controls. The neurologist-recorded date of MS symptom onset was available for a subset of the MS cases. We identified depression/anxiety in the 5-years preceding the first demyelinating claim using a validated algorithm. We compared the prevalence of depression/anxiety using modified Poisson regression. To account for misclassification and differential surveillance, we applied probabilistic bias analyses; for misclassified person-time, we applied time-distribution matching to the MS symptom onset date. RESULTS: Our cohort included 9929 MS cases and 49,574 controls. The prevalence ratio for depression/anxiety was 1.74 (95 %CI: 1.66-1.81). Following correction for misclassification, differential surveillance using a detection ratio of 1.11, and misclassified person-time, the prevalence ratio increased to 3.25 (95 %CI: 1.98-40.54). When the same correction was conducted, but a detection ratio of 1.16 was applied, the prevalence ratio increased to 3.13 (95 %CI: 1.97-33.52). CONCLUSIONS: Previous conventional analyses were biased towards the null, leading to an under-estimation of the association between depression/anxiety and MS in the prodromal period. This first application of probabilistic quantitative bias analysis within MS research demonstrates both its feasibility and utility.
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 | 0,131 | 0,204 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,009 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».