MétaCan
Menu
Retour à la cohorte
Enregistrement W4409150717 · doi:10.1038/s41537-025-00561-w

Data analysis strategies for the Accelerating Medicines Partnership® Schizophrenia Program

2025· article· en· W4409150717 sur OpenAlex
Nora Penzel, Pablo Polosecki, Jean Addington, Celso Arango, Ameneh Asgari-Targhi, Tashrif Billah, Sylvain Bouix, Monica E. Calkins, Tyrone D. Cannon, Eduardo Castro, Kang Ik K. Cho, Michael Coleman, Cheryl M. Corcoran, Dominic Dwyer, Sophia Frangou, Paolo Fusar‐Poli, Robert J. Glynn, Anastasia Haidar, Michael P. Harms, Grace R. Jacobs, Joseph Kambeitz, Tina Kapur, Sinéad Kelly, Nikolaos Koutsouleris, K. R. Abhinandan, Saryet Kucukemiroglu, Jun Soo Kwon, Kathryn E. Lewandowski, Qingqin S. Li, Valentina Mantua, Daniel H. Mathalon, Vijay A. Mittal, Spero Nicholas, Gahan Pandina, Diana O. Perkins, Andrew Potter, Abraham Reichenberg, Jenna Reinen, Michael Sand, Johanna Seitz‐Holland, Jai Shah, Agrima Srivastava, William S. Stone, John Torous, Márk Vangel, Jijun Wang, Phillip Wolff, Beier Yao, Alan Anticevic, Daniel H. Wolf, Hao Zhu, Carrie E. Bearden, Patrick D. McGorry, Barnaby Nelson, John M. Kane, Scott W. Woods, René S. Kahn, Martha E. Shenton, Guillermo Cecchi, Ofer Pasternak

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueSchizophrenia · 2025
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensMcGill UniversityUniversity of CalgaryÉcole de Technologie SupérieureDouglas CollegeUniversity of British ColumbiaHotchkiss Brain Institute
Organismes subventionnairesNational Institute of Mental HealthNational Institutes of HealthWellcome Trust
Mots-clésGeneral partnershipSchizophrenia (object-oriented programming)BusinessMedicinePsychologyPsychiatryFinance

Résumé

récupéré en direct d'OpenAlex

The Accelerating Medicines Partnership® Schizophrenia (AMP® SCZ) project assesses a large sample of individuals at clinical high-risk for developing psychosis (CHR) and community controls. Subjects are enrolled in 43 sites across 5 continents. The assessments include domains similar to those acquired in previous CHR studies along with novel domains that are collected longitudinally across a period of 2 years. In parallel with the data acquisition, multidisciplinary teams of experts have been working to formulate the data analysis strategy for the AMP SCZ project. Here, we describe the key principles for the data analysis. The primary AMP SCZ analysis aim is to use baseline clinical assessments and multimodal biomarkers to predict clinical endpoints of CHR individuals. These endpoints are defined for the AMP SCZ study as transition to psychosis (i.e., conversion), remission from CHR syndrome, and persistent CHR syndrome (non-conversion/non-remission) obtained at one year and two years after baseline assessment. The secondary aim is to use longitudinal clinical assessments and multimodal biomarkers from all time points to identify clinical trajectories that differentiate subgroups of CHR individuals. The design of the analysis plan is informed by reviewing legacy data and the analytic approaches from similar international CHR studies. In addition, we consider properties of the newly acquired data that are distinct from the available legacy data. Legacy data are used to assist analysis pipeline building, perform benchmark experiments, quantify clinical concepts and to make design decisions meant to overcome the challenges encountered in previous studies. We present the analytic design of the AMP SCZ project, mitigation strategies to address challenges related to the analysis plan, provide rationales for key decisions, and present examples of how the legacy data have been used to support design decisions for the analysis of the multimodal and longitudinal data. Watch Prof. Ofer Pasternak discuss his work and this article: https://vimeo.com/1023394132?share=copy#t=0 .

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,014
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,661
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0140,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0020,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,417
Tête enseignante GPT0,482
Écart entre enseignants0,065 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle