A stratified treatment algorithm in psychiatry: a program on stratified pharmacogenomics in severe mental illness (Psych-STRATA): concept, objectives and methodologies of a multidisciplinary project funded by Horizon Europe
Notice bibliographique
Résumé
Schizophrenia (SCZ), bipolar (BD) and major depression disorder (MDD) are severe psychiatric disorders that are challenging to treat, often leading to treatment resistance (TR). It is crucial to develop effective methods to identify and treat patients at risk of TR at an early stage in a personalized manner, considering their biological basis, their clinical and psychosocial characteristics. Effective translation of theoretical knowledge into clinical practice is essential for achieving this goal. The Psych-STRATA consortium addresses this research gap through a seven-step approach. First, transdiagnostic biosignatures of SCZ, BD and MDD are identified by GWAS and multi-modal omics signatures associated with treatment outcome and TR (steps 1 and 2). In a next step (step 3), a randomized controlled intervention study is conducted to test the efficacy and safety of an early intensified pharmacological treatment. Following this RCT, a combined clinical and omics-based algorithm will be developed to estimate the risk for TR. This algorithm-based tool will be designed for early detection and management of TR (step 4). This algorithm will then be implemented into a framework of shared treatment decision-making with a novel mental health board (step 5). The final focus of the project is based on patient empowerment, dissemination and education (step 6) as well as the development of a software for fast, effective and individualized treatment decisions (step 7). The project has the potential to change the current trial and error treatment approach towards an evidence-based individualized treatment setting that takes TR risk into account at an early stage.
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 | 0,001 |
| 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 ».