Identifying clinical clusters with distinct trajectories in first-episode psychosis through an unsupervised machine learning technique
Notice bibliographique
Résumé
The extreme variability in symptom presentation reveals that individuals diagnosed with a first-episode psychosis (FEP) may encompass different sub-populations with potentially different illness courses and, hence, different treatment needs. Previous studies have shown that sociodemographic and family environment factors are associated with more unfavorable symptom trajectories. The aim of this study was to examine the dimensional structure of symptoms and to identify individuals' trajectories at early stage of illness and potential risk factors associated with poor outcomes at follow-up in non-affective FEP. One hundred and forty-four non-affective FEP patients were assessed at baseline and at 2-year follow-up. A Principal component analysis has been conducted to identify dimensions, then an unsupervised machine learning technique (fuzzy clustering) was performed to identify clinical subgroups of patients. Six symptom factors were extracted (positive, negative, depressive, anxiety, disorganization and somatic/cognitive). Three distinct clinical clusters were determined at baseline: mild; negative and moderate; and positive and severe symptoms, and five at follow-up: minimal; mild; moderate; negative and depressive; and severe symptoms. Receiving a low-dose antipsychotic, having a more severe depressive symptomatology and a positive family history for psychiatric disorders were risk factors for poor recovery, whilst having a high cognitive reserve and better premorbid adjustment may confer a better prognosis. The current study provided a better understanding of the heterogeneous profile of FEP. Early identification of patients who could likely present poor outcomes may be an initial step for the development of targeted interventions to improve illness trajectories and preserve 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 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 | 0,001 | 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 | 0,001 |
| 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 ».