Violent behaviour in early psychosis patients: Can we identify clinical risk profiles?
Notice bibliographique
Résumé
AIMS: The objective of this study is to explore, within a sample of early psychosis patients (EPP), if subgroups regarding rate of violent behaviour (VB) against others can be identified on the basis of dynamic risk factors (treatment modifiable characteristics). METHODS: In a sample of 265 EPP, treated at the Treatment and Early Intervention in Psychosis Program in Lausanne, we conducted a latent-class analysis on the basis of the main dynamic VB risk factors (substance use disorder [SUD], positive symptoms, insight, and impulsivity). VB were restricted to "serious violence" and were assessed through patients self-report, interview with relatives or forensic services and with a standardized instrument. RESULTS: The analysis confirmed the heterogeneity of the sample regarding rate of VB. Patients could be stratified within 4 subgroups, 3 of which were at increased risk of VB. The two groups with the highest rates of VB displayed specific clinical profiles. The first one was characterized by high levels of impulsivity, hostility, positive symptoms and SUD, and the second, by low level of insight and low social functioning. These patterns suggest that significant difficulties in social interaction may contribute to the emergence of aggressive reactions against others. CONCLUSIONS: Identification of EPP at increased risk of VB seems possible on the basis of dynamic risk factors. If confirmed prospectively, this could pave the way to the development of preventive strategies and specific interventions.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».