Psychological determinants of irritable bowel syndrome and its impact on quality of life: a machine learning approaches.
Notice bibliographique
Résumé
Aim: This study examined the associations between psychosocial factors, Irritable bowel syndrome (IBS) diagnosis, and quality of life (QOL) in both control and IBS groups. Additionally, we explored the potential influence of psychosocial factors on the onset of IBS and developed a machine-learning model for IBS prediction. Background: IBS is a prevalent gastrointestinal disorder, with various factors predicting its severity and associated symptoms. Methods: Through convenience sampling, a cross-sectional study recruited participants diagnosed with IBS (n=134) and healthy controls (n=150) from Arak Gastroenterology Clinics. Linear regression assessed the impact of psychosocial factors on IBS symptom severity and QOL. Logistic regression analyzed the association of these factors with IBS onset. Machine learning algorithms were used to predict IBS based on psychosocial features. Instruments include IBS-SSS, IBS-QOL, Toronto Alexithymia Scale (TAS-20), Visceral Sensitivity Index (VSI), and Pain Catastrophe Scale (PCS). Results: A total of 284 participants (61.27% females) were recruited in the study, with a mean age of 36.48±10.75 years. Compared to controls, IBS patients exhibited significantly higher scores on measures of pain catastrophizing scale (PCS, 40.95 vs. 27.73), somatization (13.91 vs. 6.49), and alexithymia (60.23 vs. 54.71) as well as lower VSI (40.54 vs. 72.10). For those with IBS, only difficulty identifying feelings and somatization remained associated with worse symptoms, while VSI presented an inverse correlation. Psychological factors were inversely related to QOL. Elevated levels of alexithymia (OR 1.06; 95% CI 0.48, 1.63), somatization (OR 1.80; 95%CI 1.12, 2.48), and PCS (OR 1.70; 95% CI 1.30, 2.10) were associated with a higher chance of developing IBS, while higher VSI (OR -1.65; 95% CI -1.89, -1.42) was protective. Among machine learning models, logistic regression based on these factors (excluding alexithymia) and age achieved good performance (AUC: 0.86, 95% CI: 0.78-0.94; Accuracy: 0.83, 95% CI: 0.73-0.90) in predicting IBS onset. Conclusion: Psychological factors were linked to worse IBS symptoms and quality of life. A machine learning model for IBS prediction presented promising results.
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 | 0,002 | 0,004 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».