Clinical prediction model for transition to psychosis in individuals meeting At Risk Mental State criteria
Notice bibliographique
Résumé
BACKGROUND: The At Risk Mental State (ARMS) (also known as the Ultra or Clinical High Risk) criteria identify individuals at high risk for psychotic disorder. However, there is a need to improve prediction as only about 18% of individuals meeting these criteria develop a psychosis with 12-months. We have developed and internally validated a prediction model using characteristics that could be used in routine practice. METHODS: We conducted a systematic review and individual participant data meta-analysis, followed by focus groups with clinicians and service users to ensure that identified factors were suitable for routine practice. The model was developed using logistic regression with backwards selection and an individual participant dataset. Model performance was evaluated via discrimination and calibration. Bootstrap resampling was used for internal validation. RESULTS: We received data from 26 studies contributing 3739 individuals; 2909 from 20 of these studies, of whom 359 developed psychosis, were available for model building. Age, functioning, disorders of thought content, perceptual abnormalities, disorganised speech, antipsychotic medication, cognitive behavioural therapy, depression and negative symptoms were associated with transition to psychosis. The final prediction model included disorders of thought content, disorganised speech and functioning. Discrimination of 0.68 (0.5-1 scale; 1=perfect discrimination) and calibration of 0.91 (0-1 scale; 1=perfect calibration) showed the model had fairly good predictive ability. DISCUSSION: The statistically robust prediction model, built using the largest dataset in the field to date, could be used to guide frequency of monitoring and enable rational use of health resources following assessment of external validity and clinical utility.
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 ».