MétaCan
Menu
Retour à la cohorte
Enregistrement W4410325506 · doi:10.1038/s43856-025-00825-7

Cluster and survival analysis of UK biobank data reveals associations between physical multimorbidity clusters and subsequent depression

2025· article· en· W4410325506 sur OpenAlexfundno aff
Lauren Nicole DeLong, Kelly Fleetwood, Regina Prigge, Paola Galdi, Bruce Guthrie, Jacques Fleuriot

Notice bibliographique

RevueCommunications Medicine · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueChronic Disease Management Strategies
Établissements canadiensnon disponible
Organismes subventionnairesDepartment of Health and Social CareMedical Research CouncilUniversity of EdinburghNational Institute for Health and Care ResearchCanadian Institute of Steel Construction
Mots-clésBiobankDepression (economics)Cluster (spacecraft)Confidence intervalHazard ratioCohortMedicineCluster analysisMultimorbidityCohort studyDemographyComorbidityPsychiatryStatisticsInternal medicineComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Multimorbidity, the co-occurrence of two or more conditions within an individual, is a growing challenge for health and care delivery as well as for research. Combinations of physical and mental health conditions are highlighted as particularly important. Here, we investigated associations between physical multimorbidity and subsequent depression. METHODS: We performed a clustering analysis upon physical morbidity data for UK Biobank participants aged 37-73. Of 502,353 participants, 142,005 had linked general practice data with at least one baseline physical condition. Following stratification by sex (77,785 women; 64,220 men), we used four clustering methods and selected the best-performing based on clustering metrics. We used Fisher's Exact test to determine significant over-/under-representation of conditions within each cluster. Amongst people with no prior depression, we used survival analysis to estimate associations between cluster-membership and time to subsequent depression diagnosis. RESULTS: Our results show that the k-modes models perform best, and the over-/under-represented conditions in the resultant clusters reflect known associations. For example, clusters containing an overrepresentation of cardiometabolic conditions are amongst the largest (15.5% of whole cohort, 19.7% of women, 24.2% of men). Cluster associations with depression vary from hazard ratio 1.29 (95% confidence interval 0.85-1.98) to 2.67 (2.24-3.17), but almost all clusters show a higher association with depression than those without physical conditions. CONCLUSIONS: We show that certain groups of physical multimorbidity may be associated with a higher risk of subsequent depression. However, our findings invite further investigation into other factors, such as social considerations, which may link physical multimorbidity with depression.

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 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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,053
Score d'incertitude au seuil0,459

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,001
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 Opus0,156
Tête enseignante GPT0,438
Écart entre enseignants0,281 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCommunications MedicineMême sujetChronic Disease Management StrategiesTravaux en français237 207