Considerations for informing precision psychiatry in eating disorders: Foundations for future practice
Notice bibliographique
Résumé
Eating disorders (EDs) are multisystemic, debilitating, and complex illnesses that affect many young Canadians. These disorders are associated with high rates of medical complications, psychiatric and physical comorbidities, functional impairment, family distress, and financial burden. Despite the severity and increasing prevalence of EDs in youth, advancements in understandings of the pathophysiology and treatment of EDs have remained limited over the past three decades. This trend may be shaped by the chronic underfunding of the field, reliance on small sampled cross-sectional studies, and the notable lack of research focused on youth with EDs from historically underrepresented communities. Current treatment practices demonstrate modest efficacy and often omit the complex, heterogeneous presentations, development, and maintenance of pediatric EDs. Large-scale, multiaxial datasets are necessary to elucidate ED etiology and enable phenotyping. This is a critical step towards implementing future precision psychiatry and personalized treatment advances. In this commentary, we share our experience of conceptualizing a precision ED data and bio-registry, EDBioMAP: Eating Disorder Bio-Registry and Multiaxial Precision Health Platform, and suggest necessary pillars to inform, implement, and drive the successful use of precision psychiatry in pediatric ED care. Effective data utilization requires actionable steps and includes: (1) establishing strategic partnerships; (2) incorporating measurement-based care into clinical practice; (3) collecting novel biological markers; (4) developing minimum datasets; and (5) leveraging predictive modelling techniques. Strategic and standardized data integration is imperative to informing the future use of precision psychiatry for EDs. It can lend well to igniting multi-site collaboration to enhance large datasets necessary for this type of work and offers avenues for future development of personalized treatment interventions and clinical decision-making tools for youth with EDs.
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 | 0,198 | 0,419 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,031 |
| Communication savante | 0,018 | 0,038 |
| Science ouverte | 0,009 | 0,015 |
| Intégrité de la recherche | 0,025 | 0,053 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 ».