Predicción de la psicosis basada en factores clínicos, neurocognitivos y lingüísticos
DOI:
https://doi.org/10.20453/rnp.v88i1.6251Palabras clave:
trastornos psicóticos, medicina de precisión, relevancia clínica, examen neuroconductual del estado cognitivo, lingüísticaResumen
Predecir el inicio de la psicosis es crucial para la intervención temprana y la mejora de los resultados. Esta revisión examina el estado actual de los modelos de predicción basados en factores clínicos, neurocognitivos y lingüísticos. Los predictores clínicos, que incluyen características sociodemográficas, antecedentes familiares y síntomas psicóticos subumbrales, han mostrado ser prometedores para identificar a personas en riesgo; y algunos modelos alcanzan índices de concordancia de 0,79-0,80 en validaciones externas. La evaluación neurocognitiva (particularmente del aprendizaje verbal, la velocidad de procesamiento y de la atención/vigilancia) ha emergido como un predictor rentable, aunque los tamaños del efecto siguen siendo modestos. Los avances recientes en el procesamiento del lenguaje natural han permitido el análisis automatizado de patrones del habla, con una coherencia semántica reducida y características lingüísticas específicas que predicen la transición a la psicosis con precisiones de hasta el 83 %. Aunque estos enfoques son prometedores individualmente, la integración de múltiples predictores podría maximizar la precisión de la predicción. Las limitaciones actuales incluyen tamaños de muestra pequeños en muchos estudios, especialmente en los análisis lingüísticos, así como la necesidad de una aplicabilidad más amplia a nivel poblacional, muy aparte de los grupos clínicamente de alto riesgo. Los modelos de predicción dinámica que consideran los cambios temporales en los factores de riesgo muestran un mejor desempeño en comparación con los enfoques estáticos. Se necesita más investigación, particularmente estudios de validación externa en poblaciones diversas, para desarrollar estrategias preventivas integrales que puedan implementarse a nivel primario. El campo sigue evolucionando con variables emergentes y métodos analíticos avanzados, que trabajan hacia una aplicación individualizada de herramientas de predicción.
Descargas
Citas
Lieberman JA, First MB. Psychotic disorders. N Engl J Med [Internet]. 2018; 379(3): 270-280. Available from: https://doi.org/10.1056/nejmra1801490
Clauss JA, Foo CY, Leonard CJ, Dokholyan KN, Cather C, Holt DJ. Screening for psychotic experiences and psychotic disorders in general psychiatric settings: a systematic review and meta-analysis. medRxiv [preprint on the Internet]. 2024. Available from: https://doi.org/10.1101/2024.04.14.24305796
GBD 2019 Mental Disorders Collaborators. Global, regional, and national burden of 12 mental disorders in 204 countries and territories, 1990-2019: a systematic analysis for the global burden of disease study 2019. Lancet Psychiatry [Internet]. 2022; 9(2): 137-150. Available from: https://doi.org/10.1016/s2215-0366(21)00395-3
Brunette MF, Mueser KT, Babbin S, Meyer-Kalos P, Rosenheck R, Correll CU, et al. Demographic and clinical correlates of substance use disorders in first episode psychosis. Schizophr Res [Internet]. 2018; 194: 4-12. Available from: https://doi.org/10.1016/j.schres.2017.06.039
Álvarez A, Guàrdia A, González-Rodríguez A, Betriu M, Palao D, Monreal JA, et al. A systematic review and meta-analysis of suicidality in psychotic disorders: Stratified analyses by psychotic subtypes, clinical setting and geographical region. Neurosci Biobehav Rev [Internet]. 2022; 143: 104964. Available from: https://doi.org/10.1016/j.neubiorev.2022.104964
Aguey-Zinsou M, Scanlan JN, Cusick A. A scoping and systematic review of employment processes and outcomes for young adults experiencing psychosis. Community Ment Health J [Internet]. 2023; 59(4): 728-755. Available from: https://doi.org/10.1007/s10597-022-01056-z
Takizawa N, Melle I, Barrett EA, Nerhus M, Ottesen AA. The influence of mental health literacy, migration, and education on the duration of untreated psychosis. Front Public Health [Internet]. 2021; 9: 705397. Available from: https://doi.org/10.3389/fpubh.2021.705397
Fusar-Poli P, Rutigliano G, Stahl D, Davies C, Bonoldi I, Reilly T, et al. Development and validation of a clinically based risk calculator for the transdiagnostic prediction of psychosis. JAMA Psychiatry [Internet]. 2017; 74(5): 493-500. Available from: https://doi.org/10.1001/jamapsychiatry.2017.0284
Fusar-Poli P, Hijazi Z, Stahl D, Steyerberg EW. The science of prognosis in psychiatry. JAMA Psychiatry [Internet]. 2018; 75(12): 1289-1297. Available from: https://doi.org/10.1001/jamapsychiatry.2018.2530
Fernandes BS, Williams LM, Steiner J, Leboyer M, Carvalho AF, Berk M. The new field of ‘precision psychiatry’. BMC Med [Internet]. 2017; 15: 80. Available from: https://doi.org/10.1186/s12916-017-0849-x
Fusar-Poli P, Borgwardt S, Bechdolf A, Addington J, Riecher-Rössler A, Schultze-Lutter F, et al. The psychosis high-risk state. JAMA Psychiatry [Internet]. 2013; 70(1): 107-120. Available from: https://doi.org/10.1001/jamapsychiatry.2013.269
Salazar de Pablo G, Radua J, Pereira J, Bonoldi I, Arienti V, Besana F, et al. Probability of transition to psychosis in individuals at clinical high risk. JAMA Psychiatry [Internet]. 2021; 78(9): 970-978. Available from: https://doi.org/10.1001/jamapsychiatry.2021.0830
Montemagni C, Bellino S, Bracale N, Bozzatello P, Rocca P. Models predicting psychosis in patients with high clinical risk: a systematic review. Front Psychiatry [Internet]. 2020; 11: 223. Available from: https://doi.org/10.3389/fpsyt.2020.00223
Worthington MA, Cao H, Cannon TD. Discovery and validation of prediction algorithms for psychosis in youths at clinical high risk. Biol Psychiatry Cogn Neurosci Neuroimaging [Internet]. 2020; 5(8): 738-747. Available from: https://doi.org/10.1016/j.bpsc.2019.10.006
Mirzakhanian H, Singh F, Cadenhead KS. Biomarkers in psychosis: an approach to early identification and individualized treatment. Biomark Med [Internet]. 2014; 8(1): 51-57. Available from: https://doi.org/10.2217/bmm.13.134
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 [Internet]. 2020; 88(4): 349-360. Available from: https://doi.org/10.1016/j.biopsych.2020.02.009
Longato E, Vettoretti M, Di Camillo B. A practical perspective on the concordance index for the evaluation and selection of prognostic time-to-event models. J Biomed Inform [Internet]. 2020; 108: 103496. Available from: https://doi.org/10.1016/j.jbi.2020.103496
Hartman N, Kim S, He K, Kalbfleisch JD. Pitfalls of the concordance index for survival outcomes. Stat Med [Internet]. 2023; 42(13): 2179-2190. Available from: https://doi.org/10.1002/sim.9717
Moons KG, Kengne AP, Woodward M, Royston P, Vergouwe Y, Altman DG, et al. Risk prediction models: I. Development, internal validation, and assessing the incremental value of a new (bio)marker. Heart [Internet]. 2012; 98(9): 683-690. Available from: https://doi.org/10.1136/heartjnl-2011-301246
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Joshep Revilla Zúñiga, Lesly Vargas Balvin, José Revilla Urquizo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
