Eye Movement Characteristics for Predicting a Transition to Psychosis: Longitudinal Changes and Implications
Notice bibliographique
Résumé
BACKGROUND AND HYPOTHESIS: Substantive inquiry into the predictive power of eye movement (EM) features for clinical high-risk (CHR) conversion and their longitudinal trajectories is currently sparse. This study aimed to investigate the efficiency of machine learning predictive models relying on EM indices and examine the longitudinal alterations of these indices across the temporal continuum. STUDY DESIGN: EM assessments (fixation stability, free-viewing, and smooth pursuit tasks) were performed on 140 CHR and 98 healthy control participants at baseline, followed by a 1-year longitudinal observational study. We adopted Cox regression analysis and constructed random forest prediction models. We also employed linear mixed-effects models (LMMs) to analyze longitudinal changes of indices while stratifying by group and time. STUDY RESULTS: Of the 123 CHR participants who underwent a 1-year clinical follow-up, 25 progressed to full-blown psychosis, while 98 remained non-converters. Compared with the non-converters, the converters exhibited prolonged fixation durations, decreased saccade amplitudes during the free-viewing task; larger saccades, and reduced velocity gain during the smooth pursuit task. Furthermore, based on 4 baseline EM measures, a random forest model classified converters and non-converters with an accuracy of 0.776 (95% CI: 0.633, 0.882). Finally, LMMs demonstrated no significant longitudinal alterations in the aforementioned indices among converters after 1 year. CONCLUSIONS: Aberrant EMs may precede psychosis onset and remain stable after 1 year, and applying eye-tracking technology combined with a modeling approach could potentially aid in predicting CHRs evolution into overt 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 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 | 0,000 | 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 ».