Multimodal Machine Learning Workflows for Prediction of Psychosis in Patients With Clinical High-Risk Syndromes and Recent-Onset Depression

Abstract

This prognostic study evaluates whether psychosis transition can be predicted in patients with clinical high-risk syndromes or recent-onset depression by multimodal machine learning that optimally integrates clinical and neurocognitive data, structural magnetic resonance imaging, and polygenic risk scores for schizophrenia.

Sektorenübergreifende Therapiekonzepte und innovative Technologien: neue Möglichkeiten für die Versorgung von Patienten mit psychischen Erkrankungen

“…B. neurokognitive Daten oder Neuroimaging-Scans; [53,54]) und eine Genauigkeit von 94 % bei Identifikation und individualisierter Vorhersage klinischer Phänotypen erzielt. In der kürzlich erschienen longitudinalen Studie von Koutsouleris et al [55] an insgesamt 334 Patienten mit Psychoserisikosyndrom oder kürzlich aufgetretener Depression ließ sich mithilfe des maschinellen Lernmodells [56], welches klinische und biologische Daten mit den Einschätzungen der Kliniker kombinierte, die Transition in eine manifeste psychotische Erkrankung in 85,9 % der Fälle korrekt voraussagen. Darüber hinaus konnte auch die reduzierte prognostische Sensitivität der Kliniker, gemessen an einer Falsch-negativ-Rate von 38,5 %, durch das sequenzielle Prognosemodell auf 15,4 % reduziert werden [55].…”

“…In der kürzlich erschienen longitudinalen Studie von Koutsouleris et al [55] an insgesamt 334 Patienten mit Psychoserisikosyndrom oder kürzlich aufgetretener Depression ließ sich mithilfe des maschinellen Lernmodells [56], welches klinische und biologische Daten mit den Einschätzungen der Kliniker kombinierte, die Transition in eine manifeste psychotische Erkrankung in 85,9 % der Fälle korrekt voraussagen. Darüber hinaus konnte auch die reduzierte prognostische Sensitivität der Kliniker, gemessen an einer Falsch-negativ-Rate von 38,5 %, durch das sequenzielle Prognosemodell auf 15,4 % reduziert werden [55]. Die Autoren schlussfolgerten, dass ein individualisiertes prognostisches Modell, das die künstliche und menschliche Intelligenz integriert, die personalisierte Prävention psychotischer Störungen bei Menschen mit Psychoserisikosyndromen oder kürzlich aufgetretenen Depressionen erleichtern könnte.…”

Brain-Computer Interfaces, Open-Source, and Democratizing the Future of Augmented Consciousness

“…Open-source algorithms and models that can be audited may be an important tool to ensure implicit bias is mitigated and empathy is enhanced as we multiply reality. Koutsouleris et al (2020), reported that AI algorithms were able to predict whether people would have a psychotic episode using a combination of clinical, brain imaging, and genetic data. The positive potential of algorithms that could help to intervene or otherwise divert a catastrophic life event for millions of people worldwide cannot be overstated.…”

“…Despite these risks, the benefits are too profound and the advantages too immediate to imagine a reverse course. If someone can save themselves or a family member from addiction or a psychotic break (Koutsouleris et al, 2020), or if a driver or pilot can be safer (Healey and Picard, 2005;Zepf et al, 2019), or if a day-trader can be the smartest person in the room, the unrelenting force of progress will likely overpower any attempts to outright halt it. Instead, we may consider building a future based on open-source principles including adaptability, extensibility, and transparency so as to democratize the conversation with different perspectives, deliver the openness needed to conduct replicable science, and understand the algorithms and models that will play increasingly important roles in creating our realities and world views.…”

Proceedings of the Seventh Workshop on Computational Linguistics and Clinical Psychology: Improving Access

“…This would benefit patients by alerting clinicians to worsening symptoms, allowing for early intervention care and potential mitigation. Relatedly, advancements in machine learning techniques have led to the development of advanced models for predicting psychiatric crises such as increased suicidality and psychotic episodes using a multimodal approach based on clinical data (Koutsouleris et al, 2021). However, to date, these studies have relied exclusively on clinical data and medical data.…”