提高概念清晰度和混杂因素识别：提高ENIGMA临床精神病高风险（chrp）预后准确性的实用方法

Zhu 及其同事[1]利用 ENIGMA 临床精神病高危人群（CHR-P）工作组队列（基于 21 个研究点）的结构磁共振成像数据，评估了机器学习预测精神病的能力。在1165名CHR-P患者中，有144人（12.36%）出现了主要结果--精神病转归，该研究考察了通过机器学习处理的神经影像数据能否区分三个CHR-P亚组（转归、未转归、未知结果）和健康对照组。与发展为精神病的患者相比，未过渡到精神病的 CHR-P 患者更有可能被归类为健康对照组（健康对照组的分类率为 30%，过渡到精神病的 CHR-P 患者的分类率为 30%，未过渡到精神病的 CHR-P 患者的分类率为 30%）：CHR-P转为健康对照的比例为30%；CHR-P未转为健康对照的比例为73%；CHR-P结果未知的比例为80%）。