MétaCan
Menu
Retour à la cohorte
Enregistrement W3021395904 · doi:10.1192/j.eurpsy.2020.45

The association between insight and depressive symptoms in schizophrenia: Undirected and Bayesian network analyses

2020· article· en· W3021395904 sur OpenAlexaboutno aff
Mario Amore, Martino Belvederi Murri, Pietro Calcagno, Paola Rocca, Alessandro Rossi, Eugenio Aguglia, Antonello Bellomo, Giuseppe Blasi, Bernardo Carpiniello, Alessandro Cuomo, Liliana Dell’Osso, Massimo Di Giannantonio, Giulia Maria Giordano, Carlo Marchesi, Palmiero Monteleone, Cristiana Montemagni, Lucio Oldani, Maurizio Pompili, Rita Roncone, Rodolfo Rossi, Alberto Siracusano, Antonio Vita, Patrizia Zeppegno, Alessandro Corso, Costanza Arzani, Silvana Galderisi, Mario Maj

Notice bibliographique

RevueEuropean Psychiatry · 2020
Typearticle
Langueen
DomainePsychology
ThématiqueMental Health Research Topics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPsychologyNeurocognitiveSchizophrenia (object-oriented programming)Clinical psychologyConfoundingPositive and Negative Syndrome ScaleDepression (economics)PsychiatryDepressive symptomsAssociation (psychology)CognitionPsychosisMedicineInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Greater levels of insight may be linked with depressive symptoms among patients with schizophrenia, however, it would be useful to characterize this association at symptom-level, in order to inform research on interventions. METHODS: Data on depressive symptoms (Calgary Depression Scale for Schizophrenia) and insight (G12 item from the Positive and Negative Syndrome Scale) were obtained from 921 community-dwelling, clinically-stable individuals with a DSM-IV diagnosis of schizophrenia, recruited in a nationwide multicenter study. Network analysis was used to explore the most relevant connections between insight and depressive symptoms, including potential confounders in the model (neurocognitive and social-cognitive functioning, positive, negative and disorganization symptoms, extrapyramidal symptoms, hostility, internalized stigma, and perceived discrimination). Bayesian network analysis was used to estimate a directed acyclic graph (DAG) while investigating the most likely direction of the putative causal association between insight and depression. RESULTS: After adjusting for confounders, better levels of insight were associated with greater self-depreciation, pathological guilt, morning depression and suicidal ideation. No difference in global network structure was detected for socioeconomic status, service engagement or illness severity. The DAG confirmed the presence of an association between greater insight and self-depreciation, suggesting the more probable causal direction was from insight to depressive symptoms. CONCLUSIONS: In schizophrenia, better levels of insight may cause self-depreciation and, possibly, other depressive symptoms. Person-centered and narrative psychotherapeutic approaches may be particularly fit to improve patient insight without dampening self-esteem. •Better insight seems associated with depressive symptoms in schizophrenia.•Network analyses were used to explore this association in a large sample.•Insight was associated with self-depreciation, guilt, and suicidal ideation.•Although cross-sectional, data suggest causal direction from insight to depression.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,033
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,046

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,033
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,046
Tête enseignante GPT0,363
Écart entre enseignants0,317 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations48
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean PsychiatryMême sujetMental Health Research TopicsTravaux en français237 207