临床高危(CHR)范式促进了研究的基础上,寻求帮助的个人有发展为精神病的风险,旨在预测和可能防止过渡到显性障碍。
预后模型是用来区分CHR个体与健康个体,即基于不同的数据模式,包括临床、神经认知和神经生物学数据来进行判断。然而,CHR人群和应用方法的高度异质性仍然阻碍了它们在临床实践中的应用。
我们系统地回顾了基于Cox回归和机器学习的诊断和预后模型的文献。此外,我们对预测性能进行了荟萃分析,考察了方法方法和数据形式的异质性。
这是个荟萃分析(meta-analysis),一共纳入44篇文章,包括3707例预后研究和1052例诊断研究(572例CHR患者和480例健康对照受试者)。CHR患者可分为健康对照组,敏感性为78%,特异性为77%。在所有预后模型中,敏感性达到67%,特异性达到78%。机器学习模型的灵敏度比应用Cox回归的模型高10%。此外,也有一些偏倚的预后研究,但没有其他的调节作用。
我们的结果可能是由于大量的临床和方法学的异质性,目前影响了CHR领域的几个方面,限制了所提出的模型的临床可实施性。
我们讨论概念和方法的协调策略,为未来的临床实践提供更可靠和可推广的模式。
参考文献:
Sanfelici R, Dwyer DB, Antonucci LA, Koutsouleris N.Individualized Diagnostic and Prognostic Models for Patients With Psychosis Risk Syndromes: A Meta-analytic View on the State of the Art. Biol Psychiatry. 2020 Feb 20. pii: S0006-3223(20)30098-6. doi: 10.1016/j.biopsych.2020.02.009. [Epub ahead of print]