Longitudinal Inference of Multiscale Markers in Psychosis: From Hippocampal Centrality to Functional Outcome
Notice bibliographique
Résumé
Psychosis represents a heterogeneous collection of biological and behavioural alterations that evolve over time. We propose a multiscale disease progression model of psychosis, in which hippocampal-cortical dysconnectivity precedes impaired episodic memory and social cognition, worsening negative symptoms and lowering functional outcome. In two cross-sectional datasets of first- and multi-episode psychosis (163 patients; 117 controls), we applied a recently developed machine-learning algorithm, SuStaIn, which uniquely integrates clustering and disease progression modeling. SuStaIn identified three patient subtypes, with Subtype 0 showing normal-range performance on all variables. In comparison, Subtype 1 showed lower episodic memory, social cognition, functional outcome, and higher negative symptoms, while Subtype 2 showed lower hippocampal-cortical connectivity. Subtype 1 deteriorated from (social) cognition to symptoms, functioning and hippocampal-cortical dysconnectivity, while Subtype 2 deteriorated from hippocampal-cortical dysconnectivity to (social) cognition, functioning and symptoms. This first application of SuStaIn in a multiscale model of psychiatry provides distinguishable disease trajectories of hippocampal-cortical connectivity, which might drive heterogeneous behavioural alterations in psychosis.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».