Diagnostic de la dépression et prédiction de l'efficacité d'un traitement chez des patients atteints d'un désordre dépressif majeur
Bibliographic record
Abstract
Le but de cette recherche est d’utiliser des techniques de fouille de donnees sur des informations extraites d’electroencephalogrammes (EEG) d’individus pour aussi bien le diagnostic de la depression que la prediction de l’efficacite d’un traitement antidepressif a une etape precoce des soins. Pour le volet diagnostic, il s’agit de comparer deux groupes d’individus (malades depressifs et sujets sains) sur la base d’ondes cerebrales (alpha, beta, theta et delta) extraites des EEG pour identifier celles qui expliquent le mieux l’etat depressif et pour generer des regles de classification permettant de predire la classe d’appartenance d’un individu (sain ou depressif). Quant au volet de prediction, il s’agit d’utiliser des ondes cerebrales et eventuellement d’autres mesures cliniques afin d’identifier les patients qui ne repondront pas favorablement a un traitement apres juste une semaine de soins au lieu de douze semaines, comme il est souvent d’usage. Cela eviterait de faire subir aux patients non repondeurs les effets indesirables d’un traitement inefficace sur une longue duree. Apres quelques transformations de donnees EEG, nous avons applique trois techniques de fouille de donnees : la classification, le regroupement et les regles d’association, et avons obtenu des resultats juges interessants et utiles par nos partenaires cliniciens. Certains resultats confirment ceux deja obtenus par d’autres recherches anterieures et portent principalement sur l’impact des ondes theta sur la prediction precoce de l’efficacite d’un traitement antidepressif. Nous avons egalement adapte des procedures de fouille de donnees developpees au laboratoire LARIM de l’UQO aux donnees sur la depression afin de generer des motifs speciaux comme les regles d’association avec negation ou les regles generalisees impliquant la prise en compte de hierarchies de generalisation sur les attributs. Ce travail rentre dans le cadre d’un projet de recherche conduit au sein du CBAP (IBM centre for Business Analytics and Performance) de l’Ecole Telfer de gestion en collaboration avec Docteur Verner Knott, directeur du Laboratoire de Neuroelectrophysiologie et de Recherches Cognitives (LNRC) de l’Institut de recherche en sante mentale de l’universite d’Ottawa.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".