Exploring the clinical utility of rhythmic digital markers for schizophrenia
Notice bibliographique
Résumé
This study investigates the clinical utility of rhythmic digital markers (RDMs) in schizophrenia. RDMs are digital markers capturing behavioral rhythms over different timescales - within 24 hours span (ultradian), at a span of 24 hours (circadian), or over cycles of more than 24 hours (infradian). While previous research has explored digital markers for schizophrenia, the focus has primarily been on sensor data variability rather than rhythmic patterns. This study introduces two RDMs: an entropy RDM, which quantifies uncertainty in activity distribution over the infradian cycles, and a dynamic RDM, which is derived from models of transitions in entropy and psychotic symptom intensity using Markov chain analysis. Data were ecological momentary assessments (EMAs) of 39 activities collected from 390 individuals diagnosed with schizophrenia (N = 153) or bipolar disorder (N = 192) and controls (N = 45). We assessed associations between RDMs and symptom severity and whether participants could be differentiated based on these RDMs. We found that participants with schizophrenia significantly differed on dynamic RDMs, suggesting a potential diagnostic utility. However, dynamic RDMs were not associated with symptom severity, and entropy RDM had no significant clinical correlate. Our findings contribute to the growing evidence on digital markers in psychiatry and highlight the potential of rhythmic digital markers (RDMs) in characterizing digital phenotypes for schizophrenia.
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 | 0,009 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».