Clinical psychopathology-based early relapse prediction model using speech and language in psychosis
Notice bibliographique
Résumé
Prediction of psychotic relapse using speech-derived markers promises targeted early intervention. However, the sheer number of speech markers and the ‘black box’ nature of predictive models challenges clinical translation. We propose a psychopathology-based systematic approach to identify likely relapse. We draw on the notion that the predictors of relapse should mark (1) the presence of schizophrenia in its untreated early stages and (2) track disorganization in psychosis. By leveraging Natural Language Processing, we derive 3 lexical, syntactic and narrative markers -semantic similarity, clause complexity, and analytic thinking index from speech samples of people with acute psychosis ( n = 68) followed up for subsequent relapses over a year (12 out of 68). Speech-based model predicted relapse status with strong evidence (Bayes Factor BF 10 = 79.5) against the clinical intuition model. Using a Bayesian approach, this preliminary study demonstrates the utility of psychopathology-guided variable selection for speech-based relapse prediction complementing clinical intuition in practice. • Speech markers may have greater predictive utility for relapses than clinical intuition. • Analytic thinking and clause complexity relate to relapse risk. • Positive thought disorder severity relates to early relapse. • Brief speech samples provide prognostic information. • Psychopathology-guided feature selection enhances model interpretability.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».