Using dimensionality-reduction techniques to understand the organization of psychotic symptoms in persistent psychotic illness and first episode psychosis
Notice bibliographique
Résumé
Psychotic disorders are highly heterogeneous. Understanding relationships between symptoms will be relevant to their underlying pathophysiology. We apply dimensionality-reduction methods across two unique samples to characterize the patterns of symptom organization. We analyzed publicly-available data from 153 participants diagnosed with schizophrenia or schizoaffective disorder (fBIRN Data Repository and the Consortium for Neuropsychiatric Phenomics), as well as 636 first-episode psychosis (FEP) participants from the Prevention and Early Intervention Program for Psychosis (PEPP-Montreal). In all participants, the Scale for the Assessment of Positive Symptoms (SAPS) and Scale for the Assessment of Negative Symptoms (SANS) were collected. Multidimensional scaling (MDS) combined with cluster analysis was applied to SAPS and SANS scores across these two groups of participants. MDS revealed relationships between items of SAPS and SANS. Our application of cluster analysis to these results identified: 1 cluster of disorganization symptoms, 2 clusters of hallucinations/delusions, and 2 SANS clusters (asocial and apathy, speech and affect). Those reality distortion items which were furthest from auditory hallucinations had very weak to no relationship with hallucination severity. Despite being at an earlier stage of illness, symptoms in FEP presentations were similarly organized. While hallucinations and delusions commonly co-occur, we found that their specific themes and content sometimes travel together and sometimes do not. This has important implications, not only for treatment, but also for research-particularly efforts to understand the neurocomputational and pathophysiological mechanism underlying delusions and hallucinations.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».