Data analysis strategies for the Accelerating Medicines Partnership® Schizophrenia Program
Notice bibliographique
Résumé
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.
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 | 0,136 | 0,187 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,004 |
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 ».