Identifying clinical clusters with distinct trajectories in first-episode psychosis through an unsupervised machine learning technique
La gran variabilitat en la presentació de símptomes en la psicosi incipient suggereix l’existència de diferents subgrups amb evolucions i necessitats de tractament diverses. Aquest estudi analitza l’estructura dimensional dels símptomes i identifica trajectòries clíniques i factors de risc associats...
| Autores: | , , , , , , , , , , , , , , , , , |
|---|---|
| Tipo de recurso: | artículo |
| Estado: | Versión publicada |
| Fecha de publicación: | 2021 |
| País: | España |
| Institución: | Universidad de Barcelona |
| Repositorio: | Dipòsit Digital de la UB |
| OAI Identifier: | oai:diposit.ub.edu:2445/218696 |
| Acceso en línea: | https://hdl.handle.net/2445/218696 |
| Access Level: | acceso abierto |
| Palabra clave: | Psicosi Símptomes Cognició Aprenentatge automàtic Psychoses Symptoms Cognition Machine learning |
| Sumario: | La gran variabilitat en la presentació de símptomes en la psicosi incipient suggereix l’existència de diferents subgrups amb evolucions i necessitats de tractament diverses. Aquest estudi analitza l’estructura dimensional dels símptomes i identifica trajectòries clíniques i factors de risc associats a una pitjor recuperació en pacients amb un primer episodi de psicosi no afectiva. S’han identificat diverses dimensions simptomàtiques i diferents subgrups clínics tant a l’inici com al seguiment. Factors com una baixa dosi d’antipsicòtics, símptomes depressius greus i antecedents familiars de trastorns psiquiàtrics es relacionen amb una evolució desfavorable, mentre que una alta reserva cognitiva i un bon ajust premòrbid podrien afavorir una millor recuperació. Aquest estudi contribueix a comprendre millor l’heterogeneïtat de la psicosi incipient i destaca la importància de la detecció precoç per millorar el pronòstic i preservar la funció psicosocial. |
|---|