A neuropsychological approach to differentiating <scp>cannabis‐induced</scp> and primary psychotic disorders
Notice bibliographique
Résumé
AIM: Rates of cannabis use are elevated in early psychosis populations, rendering it difficult to determine if an episode of psychosis is related to cannabis use (e.g., cannabis-induced psychosis), or if substance use is co-occurring with a primary psychotic disorder (e.g., schizophrenia). Clinical presentations of these disorders are often indistinguishable, hindering assessment and treatment. Despite substantial research identifying cognitive deficits, eye movement abnormalities and speech impairment associated with primary psychotic disorders, these neuropsychological features have not been explored as targets for diagnostic differentiation in early psychosis. METHODS: = 7.65, 17 male) were recruited from early intervention programs. Diagnoses were ascertained by primary treatment teams after a minimum of 6 months in the program. Participants completed tasks assessing cognitive performance, saccadic eye movements and speech. Clinical symptoms, trauma, substance use, premorbid functioning and illness insight were also assessed. RESULTS: Relative to individuals with primary psychosis, individuals with cannabis-induced psychosis demonstrated significantly better performance on the pro-saccade task, faster RT on pro- and anti-saccade tasks, better premorbid adjustment, and a higher degree of insight into their illness. There were no significant differences between groups on psychiatric symptoms, premorbid intellectual functioning, or problems related to cannabis use. CONCLUSIONS: In early stages of illness, reliance on traditional diagnostic tools or clinical interviews may be insufficient to distinguish between cannabis-induced and primary psychosis. Future research should continue to explore neuropsychological differences between these diagnoses to improve diagnostic accuracy.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».