Clinical and Biological Stratification in 121,560 Antidepressant Prescription Trajectories using Unsupervised Modelling and Clustering
Notice bibliographique
Résumé
Abstract Major depressive disorder is a complex condition with diverse presentations and polygenic underpinnings. Leveraging large biobanks linked to primary care prescription data, we developed a data-driven approach based on antidepressant prescription trajectories for patient stratification and novel phenotype identification. We extracted quantitative prescription trajectories for 56,951 UK Biobank (UKB) and 64,609 Danish National Biobank (CHB+DBDS) individuals. Using Hidden Markov Models and K-means clustering, we identified five and six patient clusters, respectively. Multinomial logistic regression and non-parametric association tests, using clinical information, enabled patient group characterization. We consistently identified three common patient groups across cohorts: first, a majority group of individuals with mild to moderate depression; second, those with severe mental illness (i.e., a group with a higher likelihood of psychiatric diagnoses, such as bipolar depression, with odds ratios: OR UKB = 1.87 [95% CI = 1.48, 2.35], p = 2.7e-6; OR CHB+DBDS = 1.69 [95% CI = 1.41, 2.02], p = 2.3e-7); and third, patients with less severe forms of depression or receiving treatment for conditions other than depression (i.e., a group with a lower likelihood of depression diagnosis: OR UKB = 0.80 [95% CI = 0.74, 0.85], p = 3e-10; OR CHB+DBDS = 0.77 [95% CI = 0.73, 0.82], p < 1e-10). Genome-wide association studies (GWAS) revealed 14 significant loci, including USP4 and BCHE on chromosome 3, as well as a locus associated with the drug metabolising enzyme CYP2D6 . These findings, and the reproducibility across cohorts, demonstrate the power of unsupervised phenotyping from primary care prescriptions for patient stratification and pharmacogenetics research.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».