Predicting psychosis-spectrum diagnoses in adulthood from social behaviors and neighborhood contexts in childhood
Notice bibliographique
Résumé
Research showing that risk for schizophrenia, bipolar disorder with psychosis, and other psychosis-spectrum diagnoses in adulthood is multidetermined has underscored the necessity of studying the additive and interactive factors in childhood that precede and predict future disorders. In this study, risk for the development of psychosis-spectrum disorders was examined in a 2-generation, 30-year prospective longitudinal study of 3,905 urban families against a sociocultural backdrop of changing economic and social conditions. Peer nominations of aggression, withdrawal, and likeability and national census information on neighborhood-level socioeconomic disadvantage in childhood, as well as changes in neighborhood socioeconomic conditions over the lifespan, were examined as predictors of diagnoses of schizophrenia, bipolar disorder, and other psychosis-spectrum disorders in adulthood relative to developing only nonpsychotic disorders or no psychiatric disorders. Individuals who were both highly aggressive and highly withdrawn were at greater risk for other psychosis-spectrum diagnoses when they experienced greater neighborhood disadvantage in childhood or worsening neighborhood conditions over maturation. Males who were highly aggressive but low on withdrawal were at greater risk for schizophrenia diagnoses. Childhood neighborhood disadvantage predicted both schizophrenia and bipolar diagnoses, regardless of childhood social behavior. Results provided strong support for multiple-domain models of psychopathology, and suggest that universal preventive interventions and social policies aimed at improving neighborhood conditions may be particularly important for decreasing the prevalence of psychosis-spectrum diagnoses in the future.
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 | 0,000 | 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) | 0,000 | 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 ».