Proteomic Biomarkers for the Prediction of Transition to Psychosis in Individuals at Clinical High Risk: A Multi-cohort Model Development Study
Notice bibliographique
Résumé
Psychosis risk prediction is one of the leading challenges in psychiatry. Previous investigations have suggested that plasma proteomic data may be useful in accurately predicting transition to psychosis in individuals at clinical high risk (CHR). We hypothesized that an a priori-specified proteomic prediction model would have strong predictive accuracy for psychosis risk and aimed to replicate longitudinal associations between plasma proteins and transition to psychosis. This study used plasma samples from participants in 3 CHR cohorts: the North American Prodrome Longitudinal Studies 2 and 3, and the NEURAPRO randomized control trial (total n = 754). Plasma proteomic data were quantified using mass spectrometry. The primary outcome was transition to psychosis over the study follow-up period. Logistic regression models were internally validated, and optimism-corrected performance metrics derived with a bootstrap procedure. In the overall sample of CHR participants (age: 18.5, SD: 3.9; 51.9% male), 20.4% (n = 154) developed psychosis within 4.4 years. The a priori-specified model showed poor risk-prediction accuracy for the development of psychosis (C-statistic: 0.51 [95% CI: 0.50, 0.59], calibration slope: 0.45). At a group level, Complement C8B, C4B, C5, and leucine-rich α-2 glycoprotein 1 (LRG1) were associated with transition to psychosis but did not surpass correction for multiple comparisons. This study did not confirm the findings from a previous proteomic prediction model of transition from CHR to psychosis. Certain complement proteins may be weakly associated with transition at a group level. Previous findings, derived from small samples, should be interpreted with caution.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».