Nomogram for predicting cognitive impairment in postpartum depression patients after pharmacotherapy: Development and validation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objective: To develop and validate a clinical feature-based nomogram for predicting the risk of significant cognitive impairment in postpartum depression (PPD) patients treated with selective serotonin reuptake inhibitors (SSRIs). Methods: A retrospective study was conducted on 350 PPD patients treated with SSRI monotherapy at our institution between January 2020 and December 2024. Cognitive function was assessed at week 8 using the Montreal Cognitive Assessment (MoCA), with MoCA < 26 defined as significant cognitive impairment. Predictors were screened using LASSO regression, and a multivariate logistic regression model was built to construct the nomogram. Internal validation was performed via bootstrapping (1000 repetitions). Model discrimination, calibration, and clinical utility were evaluated using the C-statistic, calibration curve, and decision curve analysis (DCA). Results: Six predictors were identified: age, baseline depression severity (HAMD-17 score), years of education, SSRI type (paroxetine vs. others), baseline sleep quality (PSQI score), and postpartum duration. The model exhibited a C-statistic of 0.82 (95% CI: 0.78–0.86). The calibration curve demonstrated good agreement between predicted and actual risks. DCA indicated significant clinical net benefit across a wide threshold probability range (0.1–0.6). Conclusion: This nomogram effectively predicts individualized risk of significant cognitive impairment in SSRI-treated PPD patients, demonstrating good discrimination, calibration, and clinical utility. It serves as a valuable tool to aid clinical decision-making.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle