The Clinical Utility of Biomarkers in Diagnosing Major Depressive Disorder in Adults: A Systematic Review of Literature From 2013 to 2023
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.
Notice bibliographique
Résumé
OBJECTIVE: The variety and efficacy of biomarkers available that may be used objectively to diagnose major depressive disorder (MDD) in adults are unclear. This systematic review aims to identify and evaluate the variety of objective markers used to diagnose MDD in adults. METHODS: The search strategy was applied via PubMed and PsycINFO over the past 10 years (2013-2023) to capture the latest available evidence supporting the use of biomarkers to diagnose MDD. Data was reported through narrative synthesis. RESULTS: Forty-two studies were included in the review. Findings were synthesised based on the following measures: blood, neuroimaging/neurophysiology, urine, dermatological, auditory, vocal, cerebrospinal fluid and combinatory-and evaluated based on its sensitivity/specificity and area under the curve values. The best predictors of blood (MYT1 gene), neuroimaging/neurophysiological (5-HT1A auto-receptor binding in the dorsal and median raphe), urinary (combined albumin, AMBP, HSPB, APOA1), cerebrospinal fluid-based (neuron specific enolase, microRNA) biomarkers were found to be closely linked to the pathophysiology of MDD. CONCLUSION: A large variety of biomarkers were available to diagnose MDD, with the best performing biomarkers intrinsically related to the pathophysiology of MDD. Potential for future research lies in investigating the joint sensitivity of the best performing biomarkers identified via machine learning methods and establishing the causal effect between these biomarkers and MDD.
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 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 | 0,001 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle