Predictors of rate and time to remission in first-episode psychosis: a two-year outcome study
Notice bibliographique
Résumé
BACKGROUND: The evidence regarding the independent influence of duration of untreated psychosis (DUP) on rate and time to remission is far from unequivocal. The goal of the current study was to examine the role of predictors for rate and time to remission in first-episode psychosis (FEP). METHOD: The differential effect of age, gender, age of onset, duration of untreated psychosis (DUP), duration of untreated illness (DUI), pre-morbid adjustment, co-morbid diagnosis of substance abuse and adherence to medication on the rate of and time to remission were estimated using a logistic and Poisson regression, and survival analysis respectively, in FEP patients. RESULTS: In a sample of 107 FEP patients 82.2% achieved remission over a period of 2 years after a mean of 10.3 weeks (range 1-72). Regression analysis, based on complete data on all variables of interest (n=80), showed status of remission to be positively influenced by better pre-morbid adjustment (RR 0.57, 95% CI 0.34-0.95, p<0.05), later age of onset (RR 1.09, 95% CI 1.05-1.13, p<0.0001), higher level of adherence to medication (RR 1.96, 95% CI 1.38-2.76, p<0.001) and shorter DUI (RR 0.99, 95% CI 0.997-0.999, p<0.005). Time to remission was influenced by age of onset (HR 1.04, 95% CI 1.00-1.08, p<0.04) and adherence to medication (HR 1.58, 95% CI 1.11-2.23, p<0.01). CONCLUSIONS: Improving adherence to medication early in the course of treatment may be an important intervention to improve short-term outcome.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».