Insight et comportements violents dans une cohorte de patients souffrant de premiers épisodes de psychose
Bibliographic record
Abstract
Objectifs: Une proportion importante de patients présentant un premier épisode psychotique commettent des actes violents hétéro-agressifs. L’objectif de cette étude est d’explorer l’association entre insight et comportement violent (CV) et l’évolution de l’insight durant la période de suivi. Méthode: L’étude est conduite sur une cohorte prospective de 265 patients recrutés au sein du programme de traitement et d’intervention précoce dans les troubles psychotiques et suivis sur une période de 3 ans. L’évaluation de l’insight est basée sur une échelle d’insight en 3 points et l’item de l’insight à la Positive and Negative Syndrome Scale (PANSS). Les CV ont été évalués par les case-managers, par les informations provenant des services forensiques et par l’intermédiaire d’un relevé des CV en cours d’hospitalisation. Des analyses de régression logistique uni-variées et multi-variées, des tests-t et des corrélations ont été réalisés. Résultats: L’effet significatif de l’insight comme facteur associé aux CV trouvé dans les analyses uni-variées disparaît après avoir contrôlé l’effet des symptômes positifs, du diagnostic de dépendance aux substances, de l’impulsivité et de l’adhésion au traitement. Conclusion: Si la prise de conscience des patients à l’égard de leur maladie évolue positivement au cours du traitement, nos résultats suggèrent que le risque de survenue de CV n’est pas influencé par le degré d’insight. Il est par contre significativement lié à l’abus de substances et à l’impulsivité, impliquant de cibler ces deux dimensions dans les stratégies préventives. L’impact de l’insight sur le CV doit être l’objet d’analyses prospectives plus précises.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".