Exploring Risk and Resilient Profiles for Functional Impairment and Baseline Predictors in a 2-Year Follow-Up First-Episode Psychosis Cohort Using Latent Class Growth Analysis
Notice bibliographique
Résumé
Being able to predict functional outcomes after First-Episode Psychosis (FEP) is a major goal in psychiatry. Thus, we aimed to identify trajectories of psychosocial functioning in a FEP cohort followed-up for 2 years in order to find premorbid/baseline predictors for each trajectory. Additionally, we explored diagnosis distribution within the different trajectories. A total of 261 adults with FEP were included. Latent class growth analysis identified four distinct trajectories: Mild impairment-Improving trajectory (Mi-I) (38.31% of the sample), Moderate impairment-Stable trajectory (Mo-S) (18.39%), Severe impairment-Improving trajectory (Se-I) (12.26%), and Severe impairment-Stable trajectory (Se-S) (31.03%). Participants in the Mi-I trajectory were more likely to have higher parental socioeconomic status, less severe baseline depressive and negative symptoms, and better premorbid adjustment than individuals in the Se-S trajectory. Participants in the Se-I trajectory were more likely to have better baseline verbal learning and memory and better premorbid adjustment than those in the Se-S trajectory. Lower baseline positive symptoms predicted a Mo-S trajectory vs. Se-S trajectory. Diagnoses of Bipolar disorder and Other psychoses were more prevalent among individuals falling into Mi-I trajectory. Our findings suggest four distinct trajectories of psychosocial functioning after FEP. We also identified social, clinical, and cognitive factors associated with more resilient trajectories, thus providing insights for early interventions targeting psychosocial functioning.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».