Latent Profile Analysis and Conversion to Psychosis: Characterizing Subgroups to Enhance Risk Prediction
Notice bibliographique
Résumé
BACKGROUND: Groups at clinical high risk (CHR) of developing psychosis are heterogeneous, composed of individuals with different clusters of symptoms. It is likely that there exist subgroups, each associated with different symptom constellations and probabilities of conversion. METHOD: Present study used latent profile analysis (LPA) to ascertain subgroups in a combined sample of CHR (n = 171) and help-seeking controls (HSCs; n = 100; PREDICT study). Indicators in the LPA model included baseline Scale of Prodromal Symptoms (SOPS), Calgary Depression Scale for Schizophrenia (CDSS), and neurocognitive performance as measured by multiple instruments, including category instances (CAT). Subgroups were further characterized using covariates measuring demographic and clinical features. RESULTS: Three classes emerged: class 1 (mild, transition rate 5.6%), lowest SOPS and depression scores, intact neurocognitive performance; class 2 (paranoid-affective, transition rate 14.2%), highest suspiciousness, mild negative symptoms, moderate depression; and class 3 (negative-neurocognitive, transition rate 29.3%), highest negative symptoms, neurocognitive impairment, social cognitive impairment. Classes 2 and 3 evidenced poor social functioning. CONCLUSIONS: Results support a subgroup approach to research, assessment, and treatment of help-seeking individuals. Class 3 may be an early risk stage of developing schizophrenia.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 | 0,001 |
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 ».