Subtyping negative symptoms in first-episode psychosis: Contrasting persistent negative symptoms with a data-driven approach
Notice bibliographique
Résumé
Persistent negative symptoms (PNS) are linked to poor functional outcomes and may be primary or caused by secondary factors. Although several studies have examined PNS in first-episode psychosis (FEP), a comparison with a data-driven approach is lacking. Here, we compared clinically defined PNS subgroups with class trajectories identified through latent growth modeling (LGM). Patients admitted to an early intervention service (N = 392) were classified as PNS (n = 105), secondary PNS (sPNS; n = 74), or non-PNS (n = 213) based on longitudinal data collected six to twelve months after admission. LGM was used to stratify patients based on similar negative symptom course over the same time period. Using multiple linear regression, we assessed the utility of both approaches in predicting Social and Occupational Functioning Assessment Scale (SOFAS) scores at two-year follow-up. Three negative symptom trajectories were identified: low and remitting (LR; n = 158), moderate and improving (MI; n = 163) and delayed partial response (DR; n = 71). Most non-PNS patients followed the LR trajectory, while patients with PNS or sPNS were generally divided between MI and DR. Both PNS classification and trajectory membership were significant predictors of two-year functional outcomes; the DR and MI trajectories predicted greater increases in SOFAS scores (DR: b = -19.14; MI: b = -11.54) than either sPNS (b = -9.19) or PNS (b = -6.46). These findings demonstrate that combining PNS and symptom-based stratification can predict functional outcomes more accurately than either taxonomy alone. Such a combined approach could yield significant advances in developing more targeted interventions for patients at risk for poor functional outcomes.
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 | 0,014 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 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 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 ».