Combining MRI and clinical data to detect high relapse risk after the first episode of psychosis
Solanes, Aleix (Universitat Autònoma de Barcelona. Departament de Psiquiatria i de Medicina Legal)
Mezquida, Gisela (Universitat de Barcelona. Unitat de Farmacologia)
Janssen, Joost (Hospital General Universitario Gregorio Marañón. Instituto de Investigación Sanitaria Gregorio Marañón (IiSGM))
Amoretti, Silvia (Universitat de Barcelona. Departament de Medicina)
Lobo, Antonio (Instituto de Investigación Sanitaria de Aragón)
González-Pinto, Ana (Arabako Unibertsitate Ospitalea (País Basc))
Arango, Celso (Hospital General Universitario Gregorio Marañón)
Vieta, Eduard (Hospital Clínic i Provincial de Barcelona)
Castro-Fornieles, Josefina (Hospital Clínic i Provincial de Barcelona)
Bergé Baquero, Daniel (Hospital del Mar (Barcelona, Catalunya))
Albacete, Auria (FIDMAG Germanes Hospitalàries Research Foundation)
Giné Serven, Eloi (Hospital de Mataró. Consorci Sanitari del Maresme)
Parellada, Mara (Hospital General Universitario Gregorio Marañón)
Bernardo, Miquel (Universitat de Barcelona. Departament de Medicina)
Pomarol-Clotet, Edith (Centro de Investigación Biomédica en Red de Salud Mental)
Radua, Joaquim (Karolinska Institutet. Centre for Psychiatric Research and Education, Department of Clinical Neuroscience)

Data:	2022
Resum:	Detecting patients at high relapse risk after the first episode of psychosis (HRR-FEP) could help the clinician adjust the preventive treatment. To develop a tool to detect patients at HRR using their baseline clinical and structural MRI, we followed 227 patients with FEP for 18-24 months and applied MRIPredict. We previously optimized the MRI-based machine-learning parameters (combining unmodulated and modulated gray and white matter and using voxel-based ensemble) in two independent datasets. Patients estimated to be at HRR-FEP showed a substantially increased risk of relapse (hazard ratio = 4. 58, P < 0. 05). Accuracy was poorer when we only used clinical or MRI data. We thus show the potential of combining clinical and MRI data to detect which individuals are more likely to relapse, who may benefit from increased frequency of visits, and which are unlikely, who may be currently receiving unnecessary prophylactic treatments. We also provide an updated version of the MRIPredict software.
Ajuts:	Instituto de Salud Carlos III PI08/0208 Instituto de Salud Carlos III CPII19/00009 Ministerio de Economía y Competitividad PI14/00292 Instituto de Salud Carlos III PI19/00394 Ministerio de Ciencia, Innovación y Universidades PI11/00325 European Commission. Horizon 2020 115916 Agència de Gestió d'Ajuts Universitaris i de Recerca 2017SGR01271 Agència de Gestió d'Ajuts Universitaris i de Recerca 2017SGR1355 Agència de Gestió d'Ajuts Universitaris i de Recerca 2017SGR1365 Ministerio de Economía y Competitividad PI14/00612 Ministerio de Economía y Competitividad PI14/01148 Ministerio de Economía y Competitividad PI14/01151 Instituto de Salud Carlos III PI17/00481 Instituto de Salud Carlos III PI17/01997 Instituto de Salud Carlos III PI18/01055 Instituto de Salud Carlos III PI19/00766 Instituto de Salud Carlos III PI20/00721 Instituto de Salud Carlos III PI20/01342 Instituto de Salud Carlos III PI21/00713 Instituto de Salud Carlos III JR19/00024 Instituto de Salud Carlos III D20/00177
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:	Psychosis ; Biomarkers ; Schizophrenia
Publicat a:	Schizophrenia, Vol. 8 (november 2022) , ISSN 2754-6993

DOI: 10.1038/s41537-022-00309-w
PMID: 36396933

9 p, 776.7 KB

El registre apareix a les col·leccions:
Articles > Articles de recerca
Articles > Articles publicats