Early improvements of individual symptoms as a predictor of treatment response to asenapine in patients with schizophrenia
Notice bibliographique
Résumé
Abstract Aim It is well accepted that early improvement with antipsychotics predicts subsequent response in patients with schizophrenia. However, no study has examined the contribution of individual symptoms rather than overall symptom severity as the predictors. Thus, we aimed to detect individual symptoms whose improvements could predict subsequent response in patients with schizophrenia during treatment with asenapine and examine whether a prediction model with individual symptoms would be superior to a model using overall symptom severity. Methods This study analyzed a dataset including 532 patients with schizophrenia enrolled in a 6‐week double‐blind, placebo‐controlled, randomized trial of asenapine. Response to asenapine was defined as a ≥30% decrease in Positive and Negative Syndrome Scale (PANSS) total score from baseline to week 6. Stepwise logistic regression analyses were performed to investigate the associations among response and PANSS total/individual item score improvements at week 1 or week 2. Results Response was associated with early improvement in the following PANSS items: disturbance of volition, active social avoidance, poor impulse control at week 1; and active social avoidance, poor attention, lack of judgment and insight at week 2. Prediction accuracy was almost compatible between the model with individual symptoms and the model with PANSS total score both at weeks 1 and 2 (Nagelkerke R 2 : .51, .42 and .55, .54, respectively). Conclusion Early improvement in negative symptoms, poor attention and impulse control, and lack of insight, in particular predicted subsequent treatment response in patients with schizophrenia during treatment with asenapine as accurately as prediction based on overall symptom severity.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».