The prevalence of personality disorder in schizophrenia and psychotic disorders: systematic review of rates and explanatory modelling
Notice bibliographique
Résumé
BACKGROUND: Personality disorder (PD) in psychosis is poorly studied. As PD can affect outcome in mental disorders, it is important to understand its prevalence in order to plan services, understand prognosis more fully and maximize management options. MethodLiterature searching revealed 3972 potential papers. Twenty papers including 6345 patients were included in the final analysis. There was great variation in prevalence and multilevel modelling was used to identify possible reasons for this heterogeneity. RESULTS: The prevalence of PD varied from 4.5% to 100%. Multilevel analysis suggested country of study, study type, the instruments used to diagnose PD and patient care correlated with the prevalence data explaining the study level heterogeneity, with 34.2, 33.4, 17.0 and 4.5% by each variable respectively. Personality studies in Canada and Sweden reported lower PD prevalence, whereas in Spain it was higher than the multinational study. Compared with randomized controlled trials, case-control studies reported lower prevalence [odds ratio (OR)=0.35, 95% confidence interval (CI) 0.15-0.79] and observational studies higher prevalence (OR 70.5, 95% CI 8.5-583). Primary-care patients were less likely to be diagnosed (OR 0.02, 95% CI 0-0.19) than hospital patients, and out-patients had higher prevalence (OR 12.5, 95% CI 1.77-88.6). CONCLUSIONS: The reported prevalence of PD in schizophrenia varies significantly. Statistical modelling suggests care, country, study type and diagnostic tools for PD all bias prevalence rates. The number of papers reaching the inclusion criteria, the relative paucity of information and the difficulties in developing an accurate statistical model limited interpretation from the study.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».