Development and validation of a machine learning model to predict cognitive behavioral therapy outcome in obsessive-compulsive disorder using clinical and neuroimaging data
Notice bibliographique
Résumé
BACKGROUND: Cognitive behavioral therapy (CBT) is a first-line treatment for obsessive-compulsive disorder (OCD), but clinical response is difficult to predict. In this study, we aimed to develop predictive models using clinical and neuroimaging data from the multicenter Enhancing Neuro-Imaging and Genetics through Meta-Analysis (ENIGMA)-OCD consortium. METHODS: Baseline clinical and resting-state functional magnetic imaging (rs-fMRI) data from 159 adult patients aged 18-60 years (88 female) with OCD who received CBT at four treatment/neuroimaging sites were included. Fractional amplitude of low frequency fluctuations, regional homogeneity and atlas-based functional connectivity were computed. Clinical CBT response and remission were predicted using support vector machine and random forest classifiers on clinical data only, rs-fMRI data only, and the combination of both clinical and rs-fMRI data. RESULTS: The use of only clinical data yielded an area under the ROC curve (AUC) of 0.69 for predicting remission (p = 0.001). Lower baseline symptom severity, younger age, an absence of cleaning obsessions, unmedicated status, and higher education had the highest model impact in predicting remission. The best predictive performance using only rs-fMRI was obtained with regional homogeneity for remission (AUC = 0.59). Predicting response with rs-fMRI generally did not exceed chance level. CONCLUSIONS: Machine learning models based on clinical data may thus hold promise in predicting remission after CBT for OCD, but the predictive power of multicenter rs-fMRI data is limited.
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 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».