Leveraging Feature Transfer to Predict Medication Resistance and Secondary-Clinical Outcomes in Psychotic Disorders in Forensic Settings
Notice bibliographique
Résumé
Abstract Medication resistance in psychotic disorders represents a critical challenge in forensic psychiatry, where up to 50% of patients show poor treatment response, leading to increased risk of relapse, violence, and rehospitalization. Feature Transfer, a novel machine learning framework based on rank aggregated feature selection, transfers predictive features identified for one outcome to related outcomes while maintaining clinical interpretability, a critical advantage over conventional transfer learning approaches that obscure feature level insights by transferring complex model parameters. Applied to psychotic disorders, this methodology identified key predictors for medication resistance and assessed their transferability to related clinical outcomes. Analyzing data from 893 patients across 11 forensic psychiatric institutions, we compared Feature Transfer models (using the top 25 features discriminating medication resistance from responders) with full feature models (95 features) for predicting clinical relapse, treatment non adherence, and escape behaviors. In the broader psychotic disorders sample, Feature Transfer achieved statistically equivalent performance to full feature models for clinical relapse and treatment non adherence (F1 score differences with confidence intervals overlapping zero), though performed less effectively for escape behaviors (AUC: 0.736 vs 0.838). In schizophrenia patients (n=634), Feature Transfer showed statistically significant improvement in F1 score for clinical relapse prediction compared to full feature models (difference: 0.119, 95% CI: 0.025 to 0.213), with notably higher sensitivity (0.912 vs 0.802) while maintaining comparable discriminative ability (AUC: 0.912 vs 0.925, difference not statistically significant). Treatment history features, particularly previous medication unresponsiveness and duration of clinical care, maintained high predictive importance across multiple clinical outcomes (relapse, non adherence, and escape behaviors), suggesting they represent fundamental risk indicators regardless of the specific outcome being predicted. While our retrospective design limits causal inference and relies on historical indicators as proxies for secondary outcomes (relapse and escape behaviors), the demonstrated utility of medication resistance features across different clinical outcomes reveals potential shared risk dimensions in psychotic disorders, particularly for relapse prediction in schizophrenia. Feature Transfer offers a transparent approach for identifying common predictive factors that could advance personalized intervention strategies in complex psychiatric populations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».