Metabolomic biomarkers of psychotic conversion in ultra-high-risk subjects: a pilot study
Notice bibliographique
Résumé
Psychosis is a psychiatric condition that can become a chronic and severe psychiatric disorder affecting more than 1% of the population. The ultra-high risk (UHR) patients have a transition rate to psychosis of 25% after three years. We aimed to identify circulating metabolomic biomarkers for psychotic conversion in UHR patients using nuclear magnetic resonance (NMR) spectroscopy. We used samples from 35 UHR patients: 14 converters (UHR-C) and 21 non-converters (UHR-NC) at inclusion from the ICAAR cohort. Serum samples were analysed using the high-throughput screening IVDr NMR method. R and SIMCA were used for statistical analysis. Several lipoprotein parameters related to HDL and LDL metabolism were downregulated in UHR-C compared to UHR-NC at the time of inclusion. The 3 best lipoproteins to predict psychotic conversion at baseline were H4A1, H4FC, and L4FC (Area under the Curve (AUC) values were 0.81, 0.81, and 0.78, respectively). These lipoproteins were also negatively correlated with PANSS scores. Our study is the first to use NMR technology to identify biomarkers to predict the risk of psychotic transition in UHR subjects. This pilot study found lipoprotein parameters related to ApoA-1 and HDL-cholesterol (subclass 4) as potential biomarkers. These results need to be replicated on a larger sample. This study highlights the importance of the detailed analysis of circulant lipoproteins related to the brain using NMR technology in early psychosis to identify biomarkers of psychotic transitions and perhaps to better understand the physiopathology of psychosis.
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 | 0,000 | 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 ».