Active treatment of affective disturbances may improve functional outcomes in patients in the early state of psychosis: Results of the PRONIA study
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: The functional outcome of patients with psychotic disturbances is associated with several overlapping premorbid, societal, neuropsychological, and clinical factors. Extracting the factors associated with functional outcomes is important for designing effective mental health interventions. METHODS: In a naturalistic prospective European multicentre study, we analysed the effects of sociodemographic, preadmission, admission, and postadmission precursors on functional outcomes in 296 patients with recent-onset psychosis (ROP) and 262 patients at clinically high risk of psychosis (CHR-P). Functioning was assessed with the Global Assessment of Functioning-symptoms and deficits version-at baseline and at the 9- and 18-month follow-ups. RESULTS: In the overall sample, male sex, childhood adversities, poor sociability, scholastic problems, neurocognitive deficits, and greater severity of baseline and follow-up symptoms were associated with poor functional outcomes. In contrast, a favourable work/educational situation and preadmission treatment for nonpsychotic disorders were associated with better functional outcomes. Among ROP patients, neurocognitive deficits and the severity of baseline and follow-up affective and psychotic symptoms were strongly associated with functional outcomes. Among CHR-P patients, premorbid sociability, previous treatment for affective disorders, and follow-up affective symptoms played more significant roles. CONCLUSIONS: To improve functioning in patients in the early stages of psychosis, several factors should be considered, such as sex, childhood adversities, psychosocial development, baseline neurocognitive deficits, work/educational situation, clinical presentations, and follow-up symptoms. Personalized and integrated treatment and rehabilitation measures should be actively continued beyond the first admission period, with a particular focus on addressing both baseline and follow-up affective disturbances.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».