ترجمه فارسی مقاله زیرتایپ‌سازی روان‌پریشی اپیزود اول بر اساس مسیرهای علائم طولی با استفاده از یادگیری ماشینی

چکیده

Clinical course after first episode psychosis (FEP) is heterogeneous. Subgrouping longitudinal symptom trajectories after FEP would be useful for developing personalized treatment approaches, and being able to predict these trajectories at baseline would facilitate individual-level treatment planning. We utilized k-means clustering to identify distinct clusters of 411 FEP patients based on longitudinal positive and negative symptom patterns. Ridge logistic regression was then used to identify predictors of cluster membership using baseline data. Three clusters were identified, demonstrating unique demographic, clinical and treatment response profiles. Cluster 1 exhibits lower positive and negative symptoms (LS), lower antipsychotic dose, and relatively higher affective psychosis; Cluster 2 shows lower positive symptoms, persistent negative symptoms (LPPN), and intermediate antipsychotic doses; Cluster 3 presents persistently high levels of both positive and negative symptoms (PPNS), as well as higher antipsychotic doses. We effectively predicted patients’ cluster membership (AUC of 0.74). The most important predictive features included contrasting trends of apathy, affective flattening, and anhedonia for the LS and LPPN clusters. Global hallucination severity, positive thought disorder and manic hostility predicted PPNS. These results help parse the heterogeneity of FEP trajectories and may facilitate the development of personalized treatment approaches tailored to cluster characteristics.

چکیده به فارسی (ترجمه ماشینی)

دوره بالینی بعد از روانپزشکی قسمت اول (FEP) ناهمگن است.زیر گروهی که مسیرهای علائم طولی پس از FEP برای توسعه رویکردهای درمانی شخصی مفید است و قادر به پیش بینی این مسیرها در ابتدا ، برنامه ریزی درمانی در سطح فردی را تسهیل می کند.ما از خوشه بندی k-mean برای شناسایی خوشه های مجزا 411 بیمار FEP بر اساس الگوهای علائم مثبت و منفی طولی استفاده کردیم.سپس از رگرسیون لجستیک ریج برای شناسایی پیش بینی کننده عضویت خوشه ای با استفاده از داده های پایه استفاده شد.سه خوشه مشخص شد که نشان دهنده پروفایل های منحصر به فرد جمعیتی ، بالینی و پاسخ درمانی است.خوشه 1 علائم مثبت و منفی کمتری (LS) ، دوز ضد روانپزشکی پایین تر و روانپزشکی عاطفی نسبتاً بالاتر دارد.خوشه 2 علائم مثبت پایین تر ، علائم منفی مداوم (LPPN) و دوزهای ضد روانپزشکی متوسط ​​را نشان می دهد.خوشه 3 سطح بالایی از علائم مثبت و منفی (PPN) و همچنین دوزهای ضد روانپزشکی بالاتر را نشان می دهد.ما به طور موثری عضویت خوشه ای بیماران را پیش بینی کردیم (AUC 0.74).مهمترین ویژگی های پیش بینی کننده شامل روند متضاد بی تفاوتی ، صاف کردن عاطفی و آنهدونی برای خوشه های LS و LPPN بود.شدت توهم جهانی ، اختلال تفکر مثبت و خصومت جنون PPN ها را پیش بینی کرد.این نتایج به تجزیه ناهمگونی مسیرهای FEP کمک می کند و ممکن است توسعه رویکردهای درمانی شخصی متناسب با خصوصیات خوشه ای را تسهیل کند.