The PPD-ACT app in Canada: feasibility and a latent class analysis of participants with postpartum depression recruited to a psychiatric genetics study using a mobile application
Notice bibliographique
Résumé
Abstract Background Postpartum depression (PPD) and postpartum psychosis (PPP) are linked to negative consequences for women and families. Virtual applications present a solution to the challenge of recruiting large samples for genetic PPD/PPP research. This study aimed to evaluate the feasibility of a protocol for enrolling Canadian women with PPD and PPP to a large international psychiatric genetics study using a mobile application (PPD-ACT), and identify clinically distinct subtypes of PPD in the recruited sample. Methods From April 2017–June 2019, Canadian women provided phenotypic data through the PPD-ACT app. Requests for a genetic sample were made from those with a current or past PPD episode based on an Edinburgh Postnatal Depression Scale (EPDS) score > 12 with onset in pregnancy or 0–3 months postpartum, and from those self-reporting lifetime PPP. Latent class analysis (LCA) was used to identify clinically distinct PPD subgroups based on participant responses to the EPDS scale. Results We identified 797 PPD cases, 404 of whom submitted DNA. There were 109 PPP cases, with 66 submitting DNA. PPD cases (86.7% White, mean 4.7 +/− 7.0 years since their episode) came from across Canadian provinces/territories. LCA identified two PPD classes clinically distinct by symptom severity: [1] moderate-severity (mean EPDS = 18.5+/− 2.5; 8.6% with suicidality), and [2] severe (mean EPDS = 24.5+/− 2.1; 52.8% with suicidality). Conclusions A mobile application rapidly collected data from individuals with moderate and severe symptoms of PPD, an advantage for genetics where specificity is optimal, as well as from women with a history of PPP, supporting future work using this approach.
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 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 | 0,002 |
| 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) | 0,004 | 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 tête enseignante, 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 ».