Forecasting the course of bipolar disorder using rest-activity rhythms: Protocol for a multi-study modelling project
Notice bibliographique
Résumé
Background Bipolar disorder (BD) is defined by complex, poorly understood mood dynamics. Our current inability to predict significant changes in mood, particularly episode relapses, is one of the most challenging features of BD for patients and clinicians. Research into sleep and circadian rhythm disruption suggests that relapse risk may be measurable in 24-hour rest-activity rhythms (RAR) collected by actigraphy. This protocol describes a multi-study project with two synergistic aims - to develop an algorithm of relapse risk based on RAR data and to advance mechanistic understanding of sleep and circadian rhythm features of RARs. Method Three prospective studies will enrol adults living with BD I or II. Study 1 (Australia) will recruit a sample of N = 100 individuals with inter-episode BD who will participate in three contiguous 26-week monitoring epochs. Each epoch commences with 14 days of actigraphy, followed by follow-up interviews at 13 and 26 weeks. RAR predictors of time to first relapse will be explored using Cox’s survival analysis, Bayesian Network and Machine Learning analyses, and Hadaeghi’s Complex System model of BD. Study 2 (India) will recruit 25 individuals with BD and 25 matched healthy controls and replicate one of the 26-week epochs conducted in Study 1. Study 2 tests the replicability of models identified in Study 1 in a lower-middle-income country and investigates the association between amplitude of the RAR and amplitude of the diurnal rhythm in clock gene expression and associated metabolites. Study 3 (New Zealand) will collect actigraphy data from people experiencing a severe episode of BD depression ( N = 30) or mania ( N = 15), to model the prediction of treatment response and outcome of acute illness episodes. Discussion The 5-year Tipping Point project uses novel methods and analyses to develop clinically critical inferences about the short-term course of BD. If replicated in future independent samples, the risk forecasting algorithm to be identified here could be translated into practice.
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 | 0,032 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,046 | 0,009 |
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 ».