Differentiating Pediatric Bipolar Disorder, Attention-Deficit/Hyperactivity Disorder, and Other Psychopathologies Using Self-Reported Mood and Energy Data and Actigraphy Findings: Correlation and Machine Learning–Based Prediction of Mood Severity
Notice bibliographique
Résumé
Background: Distinguishing pediatric bipolar disorder (BD) from attention-deficit/hyperactivity disorder (ADHD) is challenging due to overlapping fluctuations in mood, energy, and activity. Combining objective actigraphy with self-reported mood and energy data may aid differential diagnosis and risk monitoring. Objective: This study aimed to test same-day associations between actigraphy-derived activity extremes and self-reported mood and energy, and to evaluate whether these measures predict same-day and next-day severe mood in adolescents with BD, ADHD, and other diagnoses. Methods: We analyzed 209 inpatients (2148 patient-days) across 4 groups (ADHD without BD: n=54; BD with ADHD: n=42; BD without ADHD: n=34; other diagnoses: n=79). Actigraphy data (Philips Actiwatch 2) were summarized into daily maximum and minimum quartiles (Max1-Max4 and Min1-Min4). Mood and Energy Thermometer (-10 to +10) ratings were categorized as follows: OK (<3), mild (3-4), moderate (5-6), and severe (>6). Group differences used Kruskal-Wallis and Mann-Whitney U tests with Bonferroni correction (P<.004). Associations used chi-square tests with Cramér V. Leak-safe machine learning (patient-wise GroupKFold) classified SevereDay (same day) and SevereTomorrow (next day) using actigraphy, sleep, energy, and demographic data. Results: BD without ADHD showed the tightest coupling of extreme activity with negative mood and energy (Cramér V of up to 0.24; P<.004). ADHD without BD showed stronger links between activity and positive energy. Machine learning achieved a receiver operating characteristic area under the curve (ROC-AUC) of 0.85, an accuracy of 0.79, and an F1-score of 0.67 for SevereDay. SevereTomorrow performance was moderate (ROC-AUC=0.80; accuracy=0.79; F1-score=0.60). Energy variability and actigraphy averages/peaks were the top predictors. Conclusions: Integrating actigraphy, sleep, and daily energy ratings identifies severe mood days and provides early next-day risk signals in hospitalized adolescents. The findings support wearable-based phenotyping for precision monitoring, with external validation needed in outpatients.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».