Predicting Relapse of Depressive Episodes During Maintenance Treatment: The Canadian Biomarker Integration Network in Depression (CAN-BIND) Wellness Monitoring in Major Depressive Disorder Study: Prédire la rechute d’épisodes dépressifs pendant le traitement d’entretien : Une étude de suivi du bien-être dans les troubles dépressifs majeurs du Réseau canadien d’intégration des biomarqueurs pour la dépression (CAN-BIND)
Notice bibliographique
Résumé
BackgroundRelapse rates in major depressive disorder (MDD) remain high even after treatment to remission. Identifying predictors of relapse is, therefore, crucial for improving maintenance strategies and preventing future episodes. Remote data collection and sensing technologies may allow for more comprehensive and longitudinal assessment of potential predictors.MethodsThe Canadian Biomarker Integration Network in Depression Wellness Monitoring for MDD (CBN-WELL) study was a prospective, multicentre observational study with an aim to identify biomarkers associated with relapse in patients on maintenance treatment for MDD. Participants had a DSM-5-TR diagnosis of MDD in remission and a Montgomery-Åsberg Depression Rating Scale (MADRS) score ≤14. Participants remained on their baseline medication regimens and were followed bimonthly for up to 2 years. Relapse criteria included MADRS > 22 for 2 consecutive weeks, suicidality or hospitalization, and initiation or change in medication for worsening symptoms. Data collection included clinical assessments, self-report questionnaires, and remote monitoring using wrist-worn actigraphs and smartphones.ResultsA total of 96 participants had follow-up data. Of these, 28.9% experienced a depressive relapse during the study period, with an average time to relapse of 211 days. Baseline depressive severity, as measured by MADRS, was higher in participants who relapsed compared to those who did not, but few other baseline clinical measures differentiated these groups.ConclusionsIndividuals with MDD in remission continued to have high relapse rates despite maintenance treatment. The paucity of clinical factors that predict relapse underscores the need for biomarkers. The CBN-WELL database can be used for future research to integrate multiple predictive factors and to identify objective measures to predict relapse in individuals.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».