Protective Factors Predict Resilient Outcomes in Clinical High-Risk Youth with the Highest Individualized Psychosis Risk Scores
Notice bibliographique
Résumé
BACKGROUND AND HYPOTHESIS: Studying individuals at Clinical High Risk (CHR) for psychosis provides an opportunity to examine protective factors that predict resilient outcomes. Here, we present a model for the study of protective factors in CHR participants at the very highest risk for psychotic conversion based on the Psychosis Risk Calculator. STUDY DESIGN: CHR participants (N = 572) from NAPLS3 were assessed on the Risk Calculator. Those who scored in the top half of the distribution and had 2 years of follow-up (N = 136) were divided into those who did not convert to psychosis (resilient, N = 90) and those who did (nonresilient, N = 46). Groups were compared based on candidate protective factors that were not part of the Risk Calculator. Better functional outcome was also examined as an outcome measure of resiliency. Study Results: Exploratory analyses suggest that Hispanic heritage, social engagement, desirable life experiences, premorbid functioning and IQ are all potential protective factors that predict resilient outcomes. Reduced startle reactivity, brain area and volume were also associated with greater resilience. CONCLUSIONS: The primary focus of CHR research has been the risk and prediction of psychosis, while less is known about protective factors. Clearly, a supportive childhood environment, positive experiences, and educational enrichment may contribute to better premorbid functioning and brain development, which in turn contribute to more resilient outcomes. Therapies focused on enhancing protective factors in the CHR population are logical preventive interventions that may benefit this vulnerable population. Future CHR research might use similar models to develop a "protective index" to predict resilient outcomes.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».