Mental Illness Diagnostic Criteria Can Be Simplified With Higher Symptom Prevalence and Correlations: A Simulation Study
Notice bibliographique
Résumé
Introduction The diagnostic criteria of mental illnesses have been found to assign excessive weights to certain input symptoms, and several input symptoms may not be significantly associated with their diagnosis. This study aims to investigate whether we can use input symptoms assigned much weight to diagnose mental illnesses with similar diagnostic accuracy as using all input symptoms. Methods The symptoms of three mental conditions were simulated based on a published study: major depressive episodes, dysthymic disorder, and manic episodes. We simulated symptoms with 0.05, 0.1, 0.3, 0.5, or 0.7 prevalence and 0, 0.1, 0.4, 0.7, or 0.9 correlations. For each of the 25 combinations of symptom prevalence and correlations, we simulated 100,000 subjects, and diagnoses were made based on the Diagnostic and Statistical Manual of Mental Disorders, 4th edition, text revision. For each simulation, we used a decision tree model that used a symptom with the best diagnostic accuracy to separate a population into diseased and non-diseased groups. This model continued using other symptoms to further separate the groups into subgroups. This process was repeated until the diagnostic accuracy could not be improved based on cross-validation errors. All analyses were implemented with R (v4.2.3; R Development Core Team, Vienna, Austria) and RStudio (v2023.6.0.421; RStudio Team, Boston, MA). Results The diagnoses of major depressive episodes, dysthymic disorder, and manic episodes required 15, 11, and 14 symptoms, respectively. There were opportunities to use fewer symptoms to approximate the diagnoses with 92% or higher sensitivities and specificities with certain combinations of symptom prevalence and correlations. For major depressive episodes, using two symptoms ("Depressed mood" and "Loss of interest or pleasure in daily activities" for more than two weeks) in the major criteria could diagnose the condition, with 100% sensitivity and specificity in some circumstances. Occasionally, the diagnosis of dysthymic disorder might be used to approximate the diagnosis of major depressive episodes. Conclusion There may lie opportunities to screen or follow up the diagnosis of major depressive episodes, dysthymic disorder, and manic episodes using fewer input symptoms, with at least 92% sensitivities and specificities. These opportunities exist in various combinations of symptom prevalence and correlations. However, there is a lack of real-world data on psychiatric symptoms and interventions to take advantage of these opportunities.
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 | 0,010 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».