Factors influencing relapse during a 2-year follow-up of first-episode psychosis in a specialized early intervention service
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Differential association of risk factors associated with relapse following treatment of first-episode psychosis (FEP) have not been studied adequately, especially for patients treated in specialized early intervention (SEI) services, where some of the usual risk factors may be ameliorated. METHOD: Consecutive FEP patients treated in an SEI service over a 4-year period were evaluated for relapse during a 2-year follow-up. Relapse was based on ratings on the Scale for Assessment of Positive Symptoms (SAPS) and weekly ratings based on the Life Chart Schedule (LCS). Predictor variables included gender, duration of untreated psychosis (DUP), total duration of untreated illness (DUI), age of onset, pre-morbid adjustment, co-morbid diagnosis of substance abuse during follow-up and adherence to medication. Univariate analyses were followed by logistic regression for rate of relapse and survival analysis with the Cox proportional-hazards regression model for time to relapse as the dependent variables. RESULTS: Of the 189 eligible patients, 145 achieved remission of positive symptoms. A high rate of medication adherence (85%) and relatively low relapse rates (29.7%) were observed over the 2-year follow-up. A higher relapse rate was associated with a co-morbid diagnosis of substance abuse assessed during the follow-up period [odds ratio (OR) 2.84, 95% confidence interval (CI) 1.24-6.51]. The length of time to relapse was not associated with any single predictor. CONCLUSIONS: Specialized treatment of substance abuse may be necessary to further reduce risk of relapse even after improving adherence to medication.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 découle