Models of mild cognitive deficits in risk assessment in early psychosis
Notice bibliographique
Résumé
Abstract Background Mild cognitive deficits (MCD) emerge before the first episode of psychosis (FEP) and persist in the clinical high-risk (CHR) stage. This study aims to refine risk prediction by developing MCD models optimized for specific early psychosis stages and target populations. Methods A comprehensive neuropsychological battery assessed 1059 individuals with FEP, 794 CHR, and 774 matched healthy controls (HCs). CHR subjects, followed up for 2 years, were categorized into converters (CHR-C) and non-converters (CHR-NC). The MATRICS Consensus Cognitive Battery standardized neurocognitive tests were employed. Results Both the CHR and FEP groups exhibited significantly poorer performance compared to the HC group across all neurocognitive tests (all p < 0.001). The CHR-C group demonstrated poorer performance compared to the CHR-NC group on three sub-tests: visuospatial memory ( p < 0.001), mazes ( p = 0.005), and symbol coding ( p = 0.023) tests. Upon adjusting for sex and age, the performance of the MCD model was excellent in differentiating FEP from HC, as evidenced by an Area Under the Receiver Operating Characteristic Curve (AUC) of 0.895 ( p < 0.001). However, when applied in the CHR group for predicting CHR-C (AUC = 0.581, p = 0.008), the performance was not satisfactory. To optimize the efficiency of psychotic risk assessment, three distinct MCD models were developed to distinguish FEP from HC, predict CHR-C from CHR-NC, and identify CHR from HC, achieving accuracies of 89.3%, 65.6%, and 80.2%, respectively. Conclusions The MCD exhibits variations in domains, patterns, and weights across different stages of early psychosis and diverse target populations. Emphasizing precise risk assessment, our findings highlight the importance of tailored MCD models for different stages and risk levels.
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) | 0,001 | 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 ».