Digital health technologies in the accelerating medicines Partnership® Schizophrenia Program
Notice bibliographique
Résumé
Although meta-analytic studies have shown that 25-33% of those at Clinical High Risk (CHR) for psychosis transition to a first episode of psychosis within three years, less is known about estimating the risk of transition at an individual level. Digital phenotyping offers a novel approach to explore the nature of CHR and may help to improve personalized risk prediction. Specifically, digital data enable detailed mapping of experiences, moods and behaviors during longer periods of time (e.g., weeks, months) and offer more insight into patterns over time at the individual level across their routine daily life. However, while novel digital health technologies open up many new avenues of research, they also come with specific challenges, including replicability of results and the adherence of participants. This paper outlines the design of the digital component of the Accelerating Medicines Partnership® Schizophrenia Program (AMP SCZ) project, a large international collaborative project that follows individuals at CHR for psychosis over a period of two years. The digital component comprises one-year smartphone-based digital phenotyping and actigraphy. Smartphone-based digital phenotyping includes 30-item short daily self-report surveys and voice diaries as well as passive data capture (geolocation, on/off screen state, and accelerometer). Actigraphy data are collected via an Axivity wristwatch. The aim of this paper is to describe the design and the three goals of the digital measures used in AMP SCZ to: (i) better understand the symptoms, real-life experiences, and behaviors of those at CHR for psychosis, (ii) improve the prediction of transition to psychosis and other health outcomes in this population based on digital phenotyping and, (iii) serve as an example for replicable and ethical research across geographically diverse regions and cultures. Accordingly, we describe the rationale, protocol and implementation of these digital components of the AMP SCZ project. **Link to video interview: https://vimeo.com/1060935583 *.
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 | 0,011 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».