Autor/autores:
Risk Michelle A. Worthington, Hengyi Cao y Tyrone D. Cannon
En las últimas dos o tres décadas, los médicos han utilizado el paradigma clínico de alto riesgo de psicosis (CHR-P) para comprender mejor los factores que contribuyen al inicio de los trastornos psicóticos. Si bien este paradigma es útil para identificar a las personas en riesgo, los criterios CHR-P no son suficientes para predecir los resultados de la ...
PUBLICIDAD
Estás viendo una versión reducida de este contenido.
Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.
En las últimas dos o tres décadas, los médicos han utilizado el paradigma clínico de alto riesgo de psicosis (CHR-P) para comprender mejor los factores que contribuyen al inicio de los trastornos psicóticos.
Si bien este paradigma es útil para identificar a las personas en riesgo, los criterios CHR-P no son suficientes para predecir los resultados de la población CHR-P. Como aproximadamente el 25% de la población CHR-P se convertirá finalmente en psicosis, se necesitan métodos de predicción más precisos para explicar la heterogeneidad tanto en los factores de riesgo como en los resultados en la población CHR-P.
Con este fin, varios grupos en los últimos años han utilizado enfoques basados en datos para refinar algoritmos predictivos para predecir tanto la conversión a psicosis como los resultados funcionales. Estos modelos generalmente han utilizado datos clínicos y de comportamiento, incluidos datos demográficos y medidas de gravedad de los síntomas, funcionamiento neurocognitivo y funcionamiento social, o datos de neuroimagen, incluidas medidas estructurales, funcionales y neuroquímicas, para predecir la conversión a psicosis en muestras de CHR-P.
Esta revisión se centra en los modelos empíricos que se han derivado de cada una de estas líneas de investigación y evalúa el rendimiento y la metodología de estos modelos. Esta revisión también sirve para informar las mejores prácticas para enfoques y direcciones basados en datos que avanzan para mejorar nuestra predicción de los trastornos psicóticos y los resultados asociados.
Como el tamaño de la muestra sigue siendo la consideración más crítica en los modelos actuales, instamos a que los algoritmos para predecir la conversión se realicen utilizando datos de múltiples sitios para obtener la potencia necesaria para determinar de manera concluyente la precisión predictiva sin sobreajuste.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://www.biologicalpsychiatrycnni.org
