Identifying clinical clusters with distinct trajectories in first-episode psychosis through an unsupervised machine learning technique
Amoretti, Silvia (Hospital Clínic i Provincial de Barcelona)
Verdolini, Norma (Hospital Clínic i Provincial de Barcelona)
Mezquida, Gisela (Centro de Investigación Biomédica en Red de Salud Mental)
Rabelo-da-Ponte, Francisco Diego (Hospital Clínic i Provincial de Barcelona)
Cuesta, Manuel J. (Instituto de Investigación Sanitaria de Navarra)
Pina-Camacho, Laura (Hospital General Universitario Gregorio Marañón. Instituto de Investigación Sanitaria Gregorio Marañón (IiSGM))
Gomez-Ramiro, Marta (Hospital Clínic i Provincial de Barcelona)
De-la-Cámara, Concepción (Instituto de Investigación Sanitaria de Aragón)
González-Pinto, Ana (Instituto de Investigación Sanitaria Bioaraba (Vitoria, País Basc))
Díaz-Caneja, Covadonga M. (Hospital General Universitario Gregorio Marañón. Instituto de Investigación Sanitaria Gregorio Marañón (IiSGM))
Corripio, Iluminada (Institut d'Investigació Biomèdica Sant Pau)
Vieta, Eduard (Hospital Clínic i Provincial de Barcelona)
de la Serna, Elena (Hospital Clínic i Provincial de Barcelona)
Mané, Anna (Universitat Autònoma de Barcelona)
Solé, Brisa (Hospital Clínic i Provincial de Barcelona)
Carvalho, André F. (University of Toronto. Department of Psychiatry)
Serra-Navarro, Maria (Hospital Clínic i Provincial de Barcelona)
Bernardo, Miquel (Centro de Investigación Biomédica en Red de Salud Mental)

Data:	2021
Resum:	The extreme variability in symptom presentation reveals that individuals diagnosed with a first-episode psychosis (FEP) may encompass different sub-populations with potentially different illness courses and, hence, different treatment needs. Previous studies have shown that sociodemographic and family environment factors are associated with more unfavorable symptom trajectories. The aim of this study was to examine the dimensional structure of symptoms and to identify individuals' trajectories at early stage of illness and potential risk factors associated with poor outcomes at follow-up in non-affective FEP. One hundred and forty-four non-affective FEP patients were assessed at baseline and at 2-year follow-up. A Principal component analysis has been conducted to identify dimensions, then an unsupervised machine learning technique (fuzzy clustering) was performed to identify clinical subgroups of patients. Six symptom factors were extracted (positive, negative, depressive, anxiety, disorganization and somatic/cognitive). Three distinct clinical clusters were determined at baseline: mild; negative and moderate; and positive and severe symptoms, and five at follow-up: minimal; mild; moderate; negative and depressive; and severe symptoms. Receiving a low-dose antipsychotic, having a more severe depressive symptomatology and a positive family history for psychiatric disorders were risk factors for poor recovery, whilst having a high cognitive reserve and better premorbid adjustment may confer a better prognosis. The current study provided a better understanding of the heterogeneous profile of FEP. Early identification of patients who could likely present poor outcomes may be an initial step for the development of targeted interventions to improve illness trajectories and preserve psychosocial functioning.
Ajuts:	European Commission 754550 Instituto de Salud Carlos III PI08/0208 Ministerio de Ciencia e Innovación PI11/00325 Ministerio de Economía y Competitividad PI14/00612 Instituto de Salud Carlos III CD20/00177 Instituto de Salud Carlos III PI18/00805 Agència de Gestió d'Ajuts Universitaris i de Recerca 2017/SGR-1355 Agència de Gestió d'Ajuts Universitaris i de Recerca 2017/SGR-1365 Agència de Gestió d'Ajuts Universitaris i de Recerca SLT006/17/00345 Agència de Gestió d'Ajuts Universitaris i de Recerca SLT006/17/00357
Nota:	Altres ajuts: Ministerio de Ciencia, Innovación y Universidades; Fondo Europeo de Desarrollo Regional (FEDER); CIBER of Mental Health (CIBERSAM); CERCA Programme (Generalitat de Catalunya); Ministerio de Economía y Competitividad; Fundació La Caixa (ID 100010434, under the agreement LCF/PR/GN18/50310006).
Drets:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, fins i tot amb finalitats comercials, sempre i quan es reconegui l'autoria de l'obra original.
Llengua:	Anglès
Document:	Article ; recerca ; Versió publicada
Matèria:	First-episode psychosis ; Symptomatology ; Cognitive reserve ; Functioning ; Machine learning
Publicat a:	European neuropsychopharmacology, Vol. 47 (june 2021) , p. 112-129, ISSN 1873-7862

DOI: 10.1016/j.euroneuro.2021.01.095
PMID: 33531261

18 p, 1.3 MB

El registre apareix a les col·leccions:
Documents de recerca > Documents dels grups de recerca de la UAB > Centres i grups de recerca (producció científica) > Ciències de la salut i biociències > Institut de Recerca Sant Pau
Articles > Articles de recerca
Articles > Articles publicats