Refining E-detectioN Tools for Emerging mental disoRders (ENTER) to identify young people at clinical high risk for psychosis in the community: model development and internal validation
该研究开发并内部验证了 ENTER，这是一种多模态数字化筛查工具，与用于识别社区环境下处于精神病临床高风险状态的年轻人的既定 PQ-16 截断值相比，该工具展示了更优越的判别度和校准度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
心理健康挑战往往在危机爆发之前，就已悄无声息地开始。对于许多年轻人来说，像精神病性症状这类严重病症的首个征兆，在青少年或成年早期表现为思维、情感或感知方面的微妙变化。这一被称为“临床高风险状态”的早期阶段，是一个至关重要的机会窗口。如果能够及时识别，便可以提供支持和护理，从而防止病情完全发展或减轻其影响。然而，寻找这些人非常困难。目前，大多数人只有在寻求专科医生帮助时才会被识别出来，这意味着许多人在症状仍然轻微且可控时，就已从医疗系统中遗失了。挑战在于如何创造一种方法，能够早期、准确地发现这些风险，且不会使有限的心理健康护理资源过载。
来自英国和意大利多所大学及医院的一个研究小组在解决这一问题方面迈出了重要一步。他们开发并测试了一种名为 ENTER 的新型数字化工具，旨在对社区中的年轻人进行精神病风险筛查。这项研究涉及 2,500 多名 12 至 35 岁的参与者，将这种新方法与目前临床上使用的标准方法进行了对比。标准方法依赖于一份简单的问卷，询问有关特定异常想法和体验的问题。虽然现有的工具能捕捉到大多数可能存在风险的人，但也标记了许多并不存在风险的人，从而导致了不必要的随访预约。研究人员希望看看，通过添加其他类型的信息——例如一个人处理信息的速度以及他们的背景生活经历——是否能让筛查更加精准。
研究人员通过让参与者完成一份在线调查来构建这个新工具。该调查包含了关于异常想法的标准问卷，但它还询问了这些想法引起的痛苦程度，包含了一个快速测试（测试参与者匹配符号与数字的速度），并收集了关于其生活史的信息，例如家庭背景、成长环境以及任何接触社会困境的情况。团队随后使用先进的计算机算法来分析这种混合数据。他们将这种新的、多层级的方法的结果与仅使用标准问卷的结果进行了对比。为了确保结果的可靠性，他们将该工具应用于一组已经过详细的、金标准临床访谈以确认是否真正处于高风险状态的人群。
研究结果显示，新的 ENTER 工具在区分高风险人群与非风险人群方面显著优于传统方法。虽然标准问卷在每 100 例病例中大约能正确识别出 62 例风险，但新工具将这种准确度提高到了大约 74 例。更重要的是，新工具能更好地避免误报。从实际意义上讲，这意味着在每 100 人接受筛查时，新方法可以在不增加错误标记人数的情况下，额外识别出约两名真正需要帮助的个体。研究人员发现，他们工具中最成功的版本使用了一种特定类型的计算机学习技术，这种技术可以检测数据中的复杂模式，而不仅仅是逐一观察各项因素。这种方法强调了风险不仅关乎症状，还受到一个人如何思考、其痛苦程度以及所处环境的影响。
尽管取得了这些令人鼓舞的结果，研究人员仍谨慎地指出，这目前是一项开发性研究，而非最终解决方案。该工具是在内部进行的测试，这意味着它是针对参与构建该工具的同一组人群进行评估的，尚未被证明能在现实世界的诊所或不同国家中使用。研究还承认，志愿者群体并非完全代表普通人群，其中女性和白种人的比例可能高于典型社区中的比例。此外，该过程要求参与者回答比标准方法更多的问题，这可能会对某些人构成障碍。作者强调，虽然新工具在改善我们寻找高风险青年方面展现出巨大潜力，但仍需进一步测试以确认其在日常实践中的实用性。在此之前，这项工作作为一个强有力的概念验证，证明了结合不同类型的信息比仅观察症状能提供更清晰的精神健康风险图景。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。