Insight et comportements violents dans une cohorte de patients souffrant de premiers épisodes de psychose
Notice bibliographique
Résumé
Objectifs: Une proportion importante de patients présentant un premier épisode psychotique commettent des actes violents hétéro-agressifs. L’objectif de cette étude est d’explorer l’association entre insight et comportement violent (CV) et l’évolution de l’insight durant la période de suivi. Méthode: L’étude est conduite sur une cohorte prospective de 265 patients recrutés au sein du programme de traitement et d’intervention précoce dans les troubles psychotiques et suivis sur une période de 3 ans. L’évaluation de l’insight est basée sur une échelle d’insight en 3 points et l’item de l’insight à la Positive and Negative Syndrome Scale (PANSS). Les CV ont été évalués par les case-managers, par les informations provenant des services forensiques et par l’intermédiaire d’un relevé des CV en cours d’hospitalisation. Des analyses de régression logistique uni-variées et multi-variées, des tests-t et des corrélations ont été réalisés. Résultats: L’effet significatif de l’insight comme facteur associé aux CV trouvé dans les analyses uni-variées disparaît après avoir contrôlé l’effet des symptômes positifs, du diagnostic de dépendance aux substances, de l’impulsivité et de l’adhésion au traitement. Conclusion: Si la prise de conscience des patients à l’égard de leur maladie évolue positivement au cours du traitement, nos résultats suggèrent que le risque de survenue de CV n’est pas influencé par le degré d’insight. Il est par contre significativement lié à l’abus de substances et à l’impulsivité, impliquant de cibler ces deux dimensions dans les stratégies préventives. L’impact de l’insight sur le CV doit être l’objet d’analyses prospectives plus précises.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».