量化词语沙拉：言语报告的结构随机性预测阴性症状及六个月后的精神分裂症诊断
神经元与认知
2016-11-01 v2
摘要
背景：精确量化阴性症状对于改善精神分裂症的差分诊断和预后预测是必要的。在慢性精神病患者中，将言语报告表示为词图可根据言语连通程度对精神分裂症、双相情感障碍和对照组进行自动分类。本文旨在使用机器学习验证首次临床接触时的言语连通性是否能预测六个月后的阴性症状和精神分裂症诊断。方法：收集21例近期发作精神病首次临床接触患者（随访6个月以建立 DSM-IV 诊断）和21例健康对照的 PANSS 评分和记忆报告。每份报告表示为图，其中词对应节点，节点时间顺序对应边。从每个图中提取三个连通性属性，测量其与随机图分布的 z 分数，与 PANSS 阴性子量表相关，组合成单一的碎片化指数(Fragmentation Index)，并用于预测。结果：随机样言语在精神分裂症患者中普遍（64% 对比对照组 5%，p=0.0002）。连通性解释了 PANSS 阴性子量表 92% 的方差（p=0.0001）。碎片化指数分类 PANSS 阴性子量表低分与高分的准确率为 93%（AUC=1），预测精神分裂症诊断的准确率为 89%（AUC=0.89），并在慢性精神病患者独立队列中验证。解释：言语图连通性的结构随机性在精神分裂症中增加。它提供了词语沙拉作为碎片化指数的定量测量，与阴性症状紧密相关，并在近期发作精神病首次临床接触时预测精神分裂症诊断。
引用
@article{arxiv.1610.08566,
title = {Quantifying word salad: The structural randomness of verbal reports predicts negative symptoms and Schizophrenia diagnosis 6 months later},
author = {Natalia B. Mota and Mauro Copelli and Sidarta Ribeiro},
journal= {arXiv preprint arXiv:1610.08566},
year = {2016}
}