Leveraging multigenerational health data to enhance mental disorder risk prediction: a population-based cohort study
Notice bibliographique
Résumé
BACKGROUND: Mental disorders are highly prevalent, and comorbidities between physical and mental health conditions are common. Physical comorbidities and family health histories may improve the accuracy of mental disorder risk prediction. We developed prediction models for mental disorder risk using comprehensive individual and family mental and physical health histories. METHODS: We conducted a population-based cohort study using administrative Health data in Manitoba, Canada, and included adults between 1977 and 2020 with linkages to at least one parent and one grandparent. Mental disorders (mood and anxiety, substance use and psychotic disorders) for individuals, parents and grandparents were identified in inpatient and outpatient Health records. Predictors included demographics, family history of mental disorders and 130 health conditions in individuals, parents and grandparents. We used the Least Absolute Shrinkage and Selection Operator (LASSO) logistic regression to build prediction models that sequentially included health conditions in individuals, parents and grandparents. Predictive performance was evaluated using the area under the receiver operating characteristic curve (AUC), sensitivity, specificity, positive predictive value, negative predictive value and Brier score. RESULTS: Of 125 070 individuals identified, 109 359 had no preexisting mental disorder. 52.9% were males and 52.8% were urban residents. 39 651 (36.3%) had a recorded diagnosis of mental disorders during follow-up. Predictive models incorporating Health histories of individuals, parents, and grandparents achieved the best predictive performance. Amongst all mental disorders, psychotic and substance use disorders had the highest AUCs of 0.78 (95% confidence interval (CI) 0.75–0.81) and 0.75 (95% CI 0.73–0.76), respectively. Key predictors included comorbid mental disorders, gastrointestinal conditions, female infertility and family history of dementia, gastrointestinal and metabolic conditions. CONCLUSIONS: Individual and family histories of physical and mental conditions improved mental disorder risk prediction, though accuracy was only moderate, highlighting the need for further refinement of risk prediction.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».