Analyzing service descriptors and patients’ clinical characteristics may help understand heterogeneity in long-term trajectory of patients with schizophrenia, bipolar and major depressive disorder
Notice bibliographique
Résumé
One major obstacle to advancing research and treatment for major psychiatric disorders is their substantial within-diagnosis heterogeneity in patient lifetime trajectories. Adapted research methods such as cluster analysis to define subgroups of patients are currently used. However few studies have included service delivery descriptors in cluster analysis to investigate the determinants of heterogeneity in long-term trajectories. The aim of this study was to test whether patterns of service delivery could help in defining subgroups in terms of trajectories and clinical profiles in schizophrenia, bipolar disorder or major depressive disorder patients. Hierarchical Agglomerative Clustering (HAC) algorithms were used on a sample extracted from a Quebec government (Canada) transactional database to group and classify patients according to their interactions with the service delivery system. The resulting clusters were analyzed using statistical tools to characterize service trajectories. We observed three distinct trajectories that were not specific to any one of the three lifetime psychiatric diagnoses. Clusters were particularly affected by varying rates of clinician changes across the trajectory and changes of diagnoses. Results suggest that incorporating service delivery characteristics in future longitudinal studies of heterogeneity might be useful as a complement to studies that solely examine patients' clinical features. The inclusion of service delivery elements may also be a useful tool for acquiring knowledge to adapt services to patients' needs in public mental health and mental health economics research.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».