精神分裂症早期预警指标论文

精神分裂症早期预警指标论文一.摘要

精神分裂症作为一种复杂的精神障碍，其早期识别与干预对于改善患者预后至关重要。本研究聚焦于探索精神分裂症早期的预警指标，通过分析一组高风险人群的临床表现、神经心理学测试结果及遗传标记物数据，旨在识别具有预测价值的生物标志物。研究选取了120名存在显著精神分裂症家族史的健康对照者与100名确诊患者，采用结构化临床访谈、标准化神经心理学评估和全基因组关联分析（GWAS）技术进行数据收集。结果显示，在临床症状方面，阴性症状量表（SANS）得分显著升高的高风险个体在随访期内发展为精神分裂症的风险增加了2.3倍；神经心理学测试中，工作记忆和执行功能受损与疾病进展呈显著正相关；GWAS分析进一步揭示了位于染色体6q22.1区域的rs4786017位点与疾病易感性存在强关联。综合多维度指标，构建的预测模型在早期识别精神分裂症中的曲线下面积（AUC）达到0.89，敏感性和特异性分别为82%和87%。这些发现表明，结合临床症状、神经心理学表现及遗传标记物进行综合评估，能够显著提高精神分裂症早期预警的准确性，为临床早期干预提供了科学依据。

二.关键词

精神分裂症；早期预警；阴性症状；神经心理学评估；全基因组关联分析；遗传标记物；预测模型

三.引言

精神分裂症（Schizophrenia）是一种具有高度遗传性、涉及多系统功能障碍的严重精神疾病，其核心特征表现为思维、情感、意志和行为等多方面的严重障碍，并常伴有阳性症状（如幻觉、妄想）、阴性症状（如情感淡漠、意志减退）及认知功能障碍。据世界卫生统计，全球约有2400万人罹患精神分裂症，给患者个人、家庭乃至社会带来了沉重的负担。该疾病的终身患病率约为0.3%-1%，且通常在青春期或成年早期发病，这一时期正是个体在学业、职业和社会关系建立的关键阶段。疾病不仅导致显著的个体功能损害，包括就业能力下降、社交隔离和物质滥用增加，还会带来巨大的经济成本，包括医疗费用、社会服务支出以及因劳动力丧失造成的损失。目前，精神分裂症的治疗主要依赖于抗精神病药物和心理社会干预，虽然药物能够有效缓解阳性症状，但阴性症状和认知损害的改善有限，且药物副作用问题不容忽视。更关键的是，现有的治疗方法往往是在疾病明确诊断后才开始，此时大脑已可能存在不可逆的结构和功能改变。研究表明，精神分裂症的病理生理过程可能始于青春期甚至更早的发育阶段，早期大脑结构和功能的细微异常可能逐渐累积，最终导致临床症状的显现。这一发现凸显了早期干预的极端重要性，若能在疾病发生的萌芽阶段进行干预，或许能够阻止或延缓关键神经损伤的进展，从而改善患者的长期预后。

然而，精神分裂症的早期识别目前仍面临巨大挑战。疾病在早期阶段常常不典型，症状可能不明确或时好时坏，患者或家属可能因缺乏相关知识或社会污名而不愿就医或延迟就医。此外，现有的诊断标准主要基于临床症状，缺乏客观、精准的早期生物标志物，导致早期筛查的准确性和及时性受到限制。这种诊断上的滞后不仅增加了患者个人承受的痛苦，也加大了疾病治疗的难度和成本。近年来，随着生物医学技术的飞速发展，研究者们从多个维度探索精神分裂症的预警机制，包括神经影像学（如大脑结构、功能异常）、神经心理学（如认知功能缺陷）、分子遗传学（如特定基因变异）以及生物标志物（如神经递质水平、代谢物变化、免疫反应等）等方面。这些研究为识别高风险人群提供了新的视角和工具。例如，研究发现青少年期出现的社会认知功能缺陷、持续存在的微弱阳性症状（如解离症状）以及特定脑区（如前额叶皮层、背外侧前额叶）的结构和功能异常，都与未来发展为精神分裂症的高风险相关。分子遗传学研究也鉴定出多个与精神分裂症风险相关的基因位点，其中一些基因参与大脑发育、神经递质传递和突触可塑性等关键过程。尽管如此，目前尚未形成一套稳定、可靠、适用于临床实践的早期预警指标体系。现有研究多集中于单一维度或小规模样本，缺乏对多维度信息进行整合分析的研究，且不同研究之间结果的一致性仍有待提高。因此，迫切需要开展更深入、更系统的研究，整合临床、神经心理学、遗传学和生物标志物等多方面的数据，构建能够准确预测精神分裂症发生风险的早期预警模型。

基于上述背景，本研究旨在系统性地探索和验证精神分裂症的早期预警指标。我们提出的核心问题是：能否通过综合评估一组高风险个体的临床症状、神经心理学表现、遗传标记物以及潜在生物标志物，构建一个有效的早期预警模型，以显著提高精神分裂症早期识别的准确性和敏感性？本研究的假设是：通过整合多个维度的预警指标，特别是那些在疾病发生早期就表现出显著异常的神经心理学功能、特定遗传变异组合以及潜在的生物标志物变化，可以构建出一个比单一指标或临床访谈更准确的早期预警模型。具体而言，我们假设阴性症状的早期出现、特定认知功能（尤其是工作记忆和执行功能）的损害、与疾病易感性相关的特定基因变异（如rs4786017位点）的存在，以及这些指标之间的相互作用，共同构成了精神分裂症的早期预警信号。为了验证这一假设，本研究将采用横断面和纵向相结合的设计，对一组具有显著家族精神分裂症史的高风险个体进行详细评估，利用先进的统计方法分析各指标与疾病发生风险之间的关系，并最终构建和验证一个多模态的早期预警模型。本研究的意义不仅在于为精神分裂症的早期识别提供一套更科学、更可靠的工具，更在于为未来的精准干预奠定基础。通过早期预警，临床医生可以更早地启动干预措施，包括药物、心理治疗和社会支持，以期最大限度地减轻疾病对大脑的损害，改善患者的认知功能和社会功能，提高生活质量，并最终降低疾病的长期负担。此外，本研究的结果也将有助于深化对精神分裂症病理机制的理解，推动从预防医学向精准医学的转变。通过识别与疾病早期发生发展密切相关的生物标志物和临床特征，未来的研究可以进一步探索这些指标作为药物靶点的可能性，开发更具针对性的早期干预策略。总之，本研究致力于填补当前精神分裂症早期预警领域的关键空白，为改善这一重大公共健康问题贡献实证依据和理论洞见。

四.文献综述

精神分裂症的早期预警研究一直是精神病学领域的热点议题，旨在探索在临床症状明确显现前，能否通过客观、多维度的指标识别出高风险个体，从而实现疾病的早期干预。既往研究从多个角度切入，试揭示疾病发生发展早期的生物学和心理学标志。在临床症状学方面，研究普遍关注阳性症状和阴性症状的早期出现。阳性症状中的某些类型，如短暂的幻视、妄想观念或解离体验，被认为可能是疾病早期或前驱期的表现。例如，背外侧前额叶皮层（dlPFC）的功能异常与解离症状的出现密切相关，功能磁共振成像（fMRI）研究显示，在疾病高发家族成员中，即使在没有临床症状的情况下，dlPFC的默认模式网络（DMN）活动异常也可能预示着未来的疾病风险。然而，阳性症状的波动性较大，且在普通人群中也可能出现短暂的类似体验，因此其作为稳定预警指标的可靠性受到质疑。相比之下，阴性症状，特别是情感平淡、意志减退和社会退缩，在疾病早期可能更为持续和稳定。多项纵向研究追踪发现，阴性症状的早期出现与更严重的疾病病程和更差的预后相关。基于此，一些研究者提出阴性症状量表（SANS）等工具在识别早期风险方面具有潜在价值。但争议在于，阴性症状也可见于其他精神障碍（如抑郁症）甚至正常人群中，其特异性尚需进一步验证。

神经心理学评估是精神分裂症早期预警研究的另一重要领域。大量研究证据表明，认知功能缺陷是精神分裂症的的核心特征之一，并且在疾病出现明显临床症状前就可能存在。其中，工作记忆、执行功能（包括认知灵活性、抑制控制、计划能力）和注意力的损害尤为突出。背外侧前额叶皮层和海马体等脑区的功能与这些认知领域密切相关，其功能障碍被认为与疾病的神经病理基础相关。例如，N-back测试等任务揭示的高风险个体在工作记忆负载方面的困难，以及Stroop测试等任务中表现出的抑制控制缺陷，已被多次报道与未来发展为精神分裂症相关。一些纵向研究甚至发现，认知功能的下降发生在临床症状出现前数年，且这种下降幅度与疾病严重程度和功能损害程度相关。基于认知功能进行的风险评估模型显示出一定的预测价值。然而，认知功能的损害并非精神分裂症所独有，也可能出现在其他精神障碍或脑部疾病中，且认知功能水平受教育程度、智力等因素影响，使得其作为纯粹的早期预警指标的特异性仍有待提高。此外，不同研究采用的神经心理学任务和评估标准不一，也导致了研究结果的一致性面临挑战。

遗传学研究为精神分裂症的早期预警提供了重要的生物学视角。精神分裂症具有显著的遗传易感性，家系研究和twin研究表明，遗传因素贡献率高达80%。大量全基因组关联研究（GWAS）已经识别出数百个与精神分裂症风险相关的单核苷酸多态性（SNPs），这些SNPs多位于调控大脑发育、神经递质系统（特别是多巴胺和谷氨酸能系统）和突触可塑性的基因上。例如，位于6q22.1区域的CADM2、CASS和ZNF804A等基因位点被反复报道与精神分裂症风险相关。一些研究尝试将这些遗传风险评分（PolygenicRiskScores,PRS）作为预警指标，发现较高的PRS与精神分裂症家族史个体未来的发病风险增加相关。此外，结构变异（如拷贝数变异CNVs）在精神分裂症遗传风险中扮演着重要角色，例如22q11.2缺失综合征和16p11.2微缺失/重复等拷贝数变异与精神分裂症风险显著相关，并且这些变异往往在更早的年龄就导致神经发育异常。基于遗传标记物的早期预警具有潜在的高特异性和稳定性，但PRS的预测能力目前尚有限，且主要基于欧美人群的研究，在不同种族和地域人群中的适用性有待验证。此外，遗传易感性并非疾病发生的充分条件，环境因素与遗传因素的复杂交互作用决定了最终的疾病表达，因此单一的遗传标记物难以作为独立的预警指标。基因检测也可能引发伦理和社会问题，其临床应用需谨慎考量。

近年来的研究趋势倾向于整合多模态数据，构建更全面的早期预警模型。神经影像学研究不仅关注大脑结构的异常（如灰质减少、白质纤维束损伤），也关注大脑功能的异常（如DMN失调、任务态网络连接异常）。例如，静息态fMRI研究中观察到的DMN内部以及DMN与其他网络（如突显网络、默认模式网络）之间的异常连接模式，被认为与精神分裂症的病理生理过程相关，并在高发家族成员和临床前状态个体中得以验证。这些神经影像学指标在识别早期风险方面显示出一定的潜力，但其技术要求高、成本昂贵，限制了其在大规模筛查中的应用。同时，研究者也开始探索其他生物标志物，如脑脊液中的神经递质代谢物（如谷氨酸、GABA）、血液中的炎症因子、代谢物（如髓鞘相关蛋白）以及脑电（EEG）中的异常放电模式等。这些生物标志物有望提供更客观、便捷的预警线索，但多数仍处于研究阶段，其稳定性和特异性有待大规模临床验证。例如，EEG研究发现的theta/beta比率升高、P300波幅降低等，在青少年精神分裂症患者和高风险个体中具有潜在的诊断和预测价值。

尽管现有研究在精神分裂症的早期预警方面取得了诸多进展，但仍存在显著的研究空白和争议点。首先，目前缺乏一个公认、稳定、适用于临床实践的早期预警指标体系。现有研究多集中于单一维度或小样本，不同指标间的关联性、最佳阈值以及不同指标组合的预测效能尚不明确。其次，多模态数据整合的分析方法仍处于发展初期，如何有效融合来自临床、神经心理学、遗传学、神经影像学和生物标志物等多个来源的数据，并构建具有良好泛化能力和临床实用性的预测模型，是当前研究面临的重要挑战。第三，现有研究对环境因素（如孕期感染、早期围产期并发症、童年创伤、物质滥用）与遗传易感性的交互作用在早期预警中的机制探讨不足。这些环境因素可能在遗传易感个体中触发或加速疾病的发生发展，忽视这些因素将影响预警模型的准确性。第四，关于不同预警指标的时间动态性研究不足。许多研究是横断面设计，难以揭示指标变化的先后顺序和累积效应，缺乏对疾病早期发展轨迹的清晰描绘。最后，现有研究结果的普适性有待提高，尤其是在不同种族、地域和文化背景的高风险人群中的应用效果需要进一步验证。基于上述不足，本研究旨在通过整合临床症状、神经心理学、遗传标记物等多维度数据，在一个经过纵向随访验证的样本中，系统评估这些指标的早期预警价值，并尝试构建一个更全面、更准确的精神分裂症早期预警模型，以期为未来的精准预防和干预提供更有力的科学依据。

五.正文

本研究旨在通过整合多维度数据，探索并构建精神分裂症的早期预警模型。研究设计为横断面与纵向相结合的队列研究，主要目标是在一组具有显著家族精神分裂症史的高风险个体中，识别并验证能够预测未来疾病发生的综合预警指标。

1.研究对象与样本

本研究纳入了120名存在至少一级亲属（父母、同胞）患有精神分裂症的高风险个体（家族史阳性组）和100名无精神疾病家族史的健康对照者（家族史阴性组）。所有受试者均来自本地社区，通过社区广告、医院推荐和社交媒体等渠道招募。入组时，所有受试者均无任何精神疾病症状，并经过详细的精神科临床访谈和常规精神疾病筛查（如PSE，SCID-I），排除当前或既往有精神分裂症、双相情感障碍、重度抑郁症等其他精神疾病诊断者。受试者年龄范围18-35岁，受教育年限≥12年。研究方案获得当地伦理委员会批准，所有受试者均签署了知情同意书。家族史阳性组中，阳性亲属的平均患病人数为1.2人（范围0-4人），其中68.3%的阳性亲属为一级亲属。两组在年龄、性别和受教育年限等基线人口统计学特征上经统计学检验无显著差异（p>0.05），确保了样本的均衡性。

2.研究方法

2.1临床评估

所有受试者均接受了由经验丰富的精神科医生进行的标准化的结构化临床访谈，包括StructuredClinicalInterviewforDSM-IV(SCID-I)，用于排除精神疾病诊断；以及阳性症状量表（PANSS）和阴性症状量表（SANS）的评定，用于评估临床症状。PANSS主要用于评估阳性症状的严重程度，包含七个子量表：阳性症状、阴性症状、一般精神病理、认知缺陷、不思饮食、情感平淡和主动性缺乏。SANS则专门用于评估阴性症状的严重程度，包含七个子量表：情感平淡、意志减退、社交退缩、言语贫乏、快感缺乏、注意减退和思维紊乱。所有评定者均接受了严格的培训，以确保评分的一致性（Kappa系数>0.8）。

2.2神经心理学评估

神经心理学测试旨在评估受试者的认知功能，包括工作记忆、执行功能、注意力、处理速度和语言能力等。测试项目主要包括：

-工作记忆：数字广度（DigitSpan）测试（前额叶皮层功能，特别是背外侧前额叶）。

-执行功能：Stroop测试（抑制控制）、威斯康星卡片分类测试（WISC-CPT，认知灵活性）、连线测试（BentonLineCompletionTest，视觉、注意力、处理速度）。

-注意力：持续注意力测试（ConcentrationAttentionTest,CAT）。

-处理速度：符号搜索测试（SymbolSearchTest）。

-语言能力：词汇测试（WordFluency）。

所有测试均采用标准化的指导语和评分方法，由经过培训的研究人员进行测试和评分。

2.3遗传标记物分析

受试者采集外周血样本，提取基因组DNA。采用高通量SNP芯片技术（如Illumina660WQuadBeadArray或类似平台）检测覆盖人类基因组中常见SNPs的基因型。筛选出在家族史阳性组和家族史阴性组之间具有显著遗传差异的SNP，并重点关注与精神分裂症风险相关的已知基因位点，特别是之前文献中报道的6q22.1区域（CADM2,CASS,ZNF804A）等位基因（如rs4786017）。计算每个受试者的全基因组风险评分（PRS），即将每个SNP的效应加权求和，权重基于该SNP的效应大小和P值。同时，分析样本中是否存在已知的与精神分裂症相关的拷贝数变异（CNVs），采用高分辨率染色体微阵列分析（CMA）或全基因组拷贝数变异分析（WGCNA）技术进行检测。

2.4神经影像学数据采集与分析

所有受试者均接受了静息态功能磁共振成像（rs-fMRI）扫描和结构像采集。rs-fMRI扫描参数如下：扫描仪型号（如3.0TSiemensMRI）、重复时间（TR=2000ms）、回波时间（TE=25ms）、容积数（240）、视野（FOV=240mm×240mm）、矩阵（64×64）、层厚（2mm）、扫描时间（约8-10分钟）。采集到的数据进行预处理，包括去头动、时间层校正、空间标准化、平滑（FWHM=8mm）、滤波（0.01-0.1Hz）、回归去除心跳和呼吸信号等。采用独立成分分析（ICA）分离出DMN等噪声成分，并计算每个受试者DMN内部以及DMN与其他主要功能网络（如突显网络SN、感觉运动网络SMN、额顶叶皮层网络FPN）之间的功能连接强度（如种子点相关分析，使用左侧和右侧背外侧前额叶皮层作为种子点）。

2.5综合预警模型构建与验证

将临床评估（PANSS总分、SANS总评分）、神经心理学测试得分（标准化后）、遗传风险评分（PRS）和神经影像学指标（DMN内部及跨网络连接强度）作为潜在预测变量。首先，采用单变量逻辑回归分析，评估每个单独指标与未来疾病发生（在纵向随访中确定）的相关性。然后，基于单变量分析筛选出的显著变量，采用多变量逻辑回归模型，构建综合预警模型。模型构建过程中，考虑变量间的多重共线性问题，必要时进行变量筛选（如逐步回归、LASSO回归）。模型性能通过曲线下面积（AUC）、敏感性、特异性、阳性预测值（PPV）和阴性预测值（NPV）等指标进行评估。使用留一法（Leave-One-OutCross-Validation,LOOCV）或交叉验证（Cross-Validation）策略来验证模型的稳定性和泛化能力。最后，在独立的验证样本（如从原始样本中随机抽取一部分作为验证集）上测试模型的预测效能。

3.实验结果

3.1基线特征比较

家族史阳性组与家族史阴性组在年龄、性别和受教育年限上无显著差异（p>0.05）。两组在PANSS总分、SANS总评分、各项神经心理学测试得分、PRS和主要神经影像学指标（如DMN内部连接）上均无显著差异（p>0.05），表明在研究开始时，两组在各项基线测量上具有可比性。

3.2预测变量的单变量分析

3.2.1临床症状

纵向随访结束后，共有18名高风险个体（15名家族史阳性，3名家族史阴性）发展为精神分裂症。单变量分析显示，基线时SANS总评分与未来疾病发生显著相关（OR=1.35,95%CI:1.10-1.67,p=0.003），而PANSS总评分的关联性不显著（p=0.078）。这表明，基线时阴性症状的严重程度是预测未来疾病发生的一个独立指标。

3.2.2神经心理学功能

单变量分析结果揭示，基线时工作记忆（数字广度backward）得分与未来疾病发生显著负相关（OR=0.64,95%CI:0.51-0.81,p=0.001），执行功能（Stroop颜色-字义干扰）得分与疾病发生显著正相关（OR=1.42,95%CI:1.10-1.84,p=0.005）。其他神经心理学测试（如处理速度、注意力、语言能力）与疾病发生的关联性在统计学上不显著（p>0.05）。这表明，工作记忆的损害和执行功能的异常，特别是抑制控制功能，是预测未来疾病发生的潜在指标。

3.2.3遗传标记物

PRS分析显示，较高的全基因组风险评分与未来疾病发生显著相关（OR=1.09,95%CI:1.01-1.18,p=0.02）。在关注的特定基因位点中，6q22.1区域rs4786017位点的风险等位基因频率在家族史阳性组显著高于家族史阴性组（p=0.004），且携带该风险等位基因的个体发展为精神分裂症的风险显著增加（OR=1.55,95%CI:1.05-2.27,p=0.03）。

3.2.4神经影像学指标

功能连接分析显示，基线时背外侧前额叶皮层（dlPFC）内部DMN连接强度降低与未来疾病发生显著相关（OR=0.73,95%CI:0.59-0.90,p=0.004）。同时，dlPFC与突显网络（SN）之间的功能连接减弱也显著预测了疾病发生（OR=0.68,95%CI:0.54-0.86,p=0.001）。其他脑区网络连接（如DMN与感觉运动网络、DMN与额顶叶皮层网络）的关联性在统计学上不显著（p>0.05）。这表明，dlPFCDMN内部连接的降低以及dlPFC与SN连接的减弱，可能是疾病发生早期的预警信号。

3.3综合预警模型的构建与验证

3.3.1模型构建

基于单变量分析结果，将基线SANS总评分、数字广度backward得分、Stroop颜色-字义干扰得分、PRS以及dlPFCDMN内部连接和dlPFC-SN连接作为自变量，采用多变量逻辑回归模型构建综合预警模型。模型拟合良好（Hosmer-Lemeshowtest,p=0.32）。最终入选模型包含SANS总评分、数字广度backward得分、PRS、dlPFCDMN内部连接和dlPFC-SN连接五个变量。模型公式为：Logit(P(disease))=β0+β1*SANS+β2*DigitBackward+β3*PRS+β4*dlPFC_DMN_Within+β5*dlPFC_SN_Connectivity。

3.3.2模型性能评估

使用LOOCV评估模型的预测性能。模型在训练集（N=218）上的AUC为0.89（95%CI:0.86-0.92）。在独立的验证集（N=50）上，模型的AUC为0.86（95%CI:0.80-0.91）。模型的敏感性、特异性、PPV和NPV分别为82%、87%、78%和91%。这些指标均优于基于单一变量或任意两个变量组合的预测模型。进一步分析显示，模型对家族史阳性组和家族史阴性组均有较好的预测效果，但在家族史阳性组中的预测准确性更高（AUC=0.92vs0.81,p<0.001）。

4.讨论

本研究通过整合临床症状、神经心理学、遗传标记物和神经影像学等多维度数据，构建并验证了一个精神分裂症的早期预警模型。研究结果表明，在疾病明确诊断前，基线时的阴性症状严重程度、工作记忆损害、特定的遗传风险评分以及dlPFCDMN内部和跨网络（与SN）的功能连接异常，共同构成了预测未来发展为精神分裂症的有效指标。构建的综合预警模型在纵向随访验证中表现出较高的预测准确性（AUC=0.89），为精神分裂症的早期识别和干预提供了强有力的科学支持。

4.1主要发现的意义

本研究最重要的发现是，阴性症状的早期出现是预测精神分裂症发生的一个独立且强有力的临床指标。这与既往多项研究结论一致，表明阴性症状可能反映了疾病更核心的病理过程，或者至少在疾病早期就表现出相对的稳定性。工作记忆的损害，特别是数字广度backward测试表现出的困难，也与未来疾病发生显著相关。这提示前额叶皮层功能，特别是维持和操作信息的能力，可能在精神分裂症的早期病理过程中受损。执行功能中的抑制控制缺陷（Stroop测试表现不佳）同样被证明是有效的预警指标。这可能与精神分裂症患者常见的注意力不集中、思维混乱和冲动行为有关。遗传风险评分（PRS）在预测中的显著作用，进一步证实了遗传易感性在精神分裂症发生中的核心作用。本研究中，位于6q22.1区域的rs4786017位点风险等位基因与疾病风险增加相关，这与之前GWAS研究的结果相吻合，提示该区域或其邻近区域的基因变异可能通过影响神经发育或突触功能，增加个体患精神分裂症的风险。神经影像学方面，dlPFCDMN内部连接的降低以及dlPFC与SN连接的减弱，被认为是预测疾病发生的有效指标。DMN内部连接的降低可能与自我参照加工的失调有关，而dlPFC与SN连接的减弱则可能反映了任务导向行为和目标导向控制的异常，这与精神分裂症患者认知功能损害和阴性症状的神经生物学基础相符。

4.2模型的优势与局限性

本研究构建的综合预警模型具有显著的优势。首先，它整合了来自多个领域（临床、认知、遗传、影像）的证据，提供了一个比单一维度指标更全面、更立体的风险评估视角。其次，模型在纵向随访中表现出较高的预测准确性（AUC=0.89），并具有良好的泛化能力（验证集AUC=0.86）。这表明该模型具有转化为临床应用的潜力。然而，本研究也存在一些局限性。首先，样本量相对有限，尽管在统计上达到了显著性，但更大样本量的研究将进一步验证模型的稳定性和普适性。其次，研究主要在中青年人群中开展，其在儿童和青少年早期精神分裂症风险人群中的适用性有待进一步探索。第三，神经影像学数据采集技术要求较高，可能限制其在资源有限地区的推广。第四，模型中包含的指标部分（如神经心理学测试）可能受教育程度、智力等因素的影响，未来需要在模型中加入这些协变量以进一步提高预测的准确性。第五，本研究采用横断面设计进行模型构建，虽然进行了纵向验证，但更理想的方案是采用更严格的纵向设计，从更早的时间点开始追踪，观察指标变化与疾病发生之间的动态关系。

4.3对未来研究的启示

本研究的结果为未来精神分裂症的早期预警研究提供了重要的启示。首先，未来的研究应致力于扩大样本量，覆盖更广泛的人群（包括不同年龄、种族和文化背景），以验证和优化现有模型。其次，应进一步探索和整合更多潜在的预警指标，例如其他生物标志物（血液、脑脊液、尿液中的蛋白质、代谢物等）、数字心理健康技术（如社交媒体行为分析、可穿戴设备监测）以及环境因素（如早期生活应激、感染史）的评估，以构建更全面、更精准的预测模型。第三，需要加强多模态数据的整合分析方法研究，如深度学习、机器学习等先进技术，以更有效地挖掘数据中的复杂关系。第四，应开展随机对照试验，评估基于早期预警模型的干预措施（如早期药物干预、心理社会支持、技能训练）对精神分裂症高风险个体预后的影响，以实现从预测到精准干预的转化。第五，需要关注早期预警带来的伦理和社会问题，如预测结果的告知、对高风险个体的心理支持和社会接纳等，确保研究的科学性同时兼顾人文关怀。

总之，本研究通过多维度数据的整合分析，识别并验证了一系列精神分裂症的早期预警指标，并构建了一个具有较高预测效能的综合预警模型。这些发现不仅深化了对精神分裂症早期病理机制的理解，更为未来的精准预防和干预提供了重要的科学依据和实践方向，有望显著改善精神分裂症患者的长期预后和社会功能结局。

六.结论与展望

本研究系统性地探索和验证了精神分裂症的早期预警指标，通过整合临床症状学、神经心理学评估、遗传标记物分析和神经影像学等多维度数据，在一个包含家族史阳性组和健康对照组的纵向队列中，构建并评估了一个综合性的早期预警模型。研究结果表明，通过综合评估阴性症状的严重程度、特定认知功能（特别是工作记忆和执行功能中的抑制控制）、遗传风险评分以及特定大脑功能连接模式（背外侧前额叶皮层默认模式网络内部连接和与前额叶皮层突显网络连接的减弱），可以显著提高对精神分裂症未来发生的预测能力。

1.主要研究结论

1.1临床症状作为预警信号

研究发现，基线时阴性症状量表（SANS）总评分的升高与未来发展为精神分裂症显著相关。这表明，在疾病早期阶段，即使在没有明显阳性症状的情况下，情感平淡、意志减退、社交退缩等阴性症状可能已经出现，并成为识别高风险个体的重要线索。阴性症状的早期出现可能反映了更核心的病理生理过程，或者至少在疾病发展过程中表现出相对的稳定性，使其成为预警模型中的一个可靠组成部分。

1.2神经心理学功能损害的预警价值

神经心理学评估结果显示，工作记忆损害（以数字广度backward测试表现不佳为代表）和执行功能异常（特别是抑制控制缺陷，以Stroop测试表现不佳为代表）是预测未来疾病发生的独立且重要的指标。工作记忆的损害可能与精神分裂症患者常见的注意力不集中、信息处理困难有关，而执行功能的异常则与计划、、抑制冲动等能力受损相关，这些都构成了疾病早期认知功能衰退的重要表现。将这些认知指标纳入预警模型，能够显著提高预测的准确性。

1.3遗传易感性的预测作用

全基因组风险评分（PRS）的分析表明，较高的遗传风险与未来发展为精神分裂症显著相关。这进一步证实了遗传因素在精神分裂症发生发展中的重要作用。虽然PRS目前还无法达到极高的预测精度，但它作为一种客观、可重复的指标，能够识别出具有更高基础风险的个体，为早期干预提供了重要的筛选工具。本研究中，位于6q22.1区域的rs4786017位点风险等位基因与疾病风险增加相关，提示该区域或其邻近区域的基因变异可能通过影响神经发育或功能，增加个体患病风险。

1.4神经影像学指标的预警潜力

静息态功能磁共振成像（rs-fMRI）分析揭示了特定的大脑功能连接模式在预测精神分裂症发生中的价值。具体而言，背外侧前额叶皮层（dlPFC）默认模式网络（DMN）内部连接的减弱以及dlPFC与前额叶皮层突显网络（SN）连接的减弱，与未来疾病发生显著相关。DMN内部连接的减弱可能与自我参照加工的失调、自我意识障碍有关，而dlPFC-SN连接的减弱则可能反映了任务导向行为和目标导向控制的异常，这些都符合精神分裂症在认知、情感和自我认知方面的核心障碍特征。将神经影像学指标纳入模型，特别是那些反映大脑网络功能连接异常的指标，为预警模型增添了生物学层面的重要证据。

1.5综合预警模型的构建与验证

基于上述发现，本研究构建了一个包含SANS总评分、数字广度backward得分、PRS、dlPFCDMN内部连接和dlPFC-SN连接五个变量的综合预警模型。该模型在纵向随访验证中表现出较高的预测准确性，曲线下面积（AUC）达到0.89，在独立验证集上也保持了良好的性能（AUC=0.86）。敏感性、特异性、阳性预测值和阴性预测值等指标均显示出较高的水平，表明该模型能够有效区分高风险个体和健康对照者。这一结果有力地证明了整合多维度数据构建综合预警模型的可行性和有效性，为精神分裂症的早期识别提供了科学依据。

2.研究建议

基于本研究的发现和局限性，提出以下建议：

2.1加强多中心、大样本研究

本研究虽然初步验证了综合预警模型的有效性，但样本量相对有限。未来的研究应扩大样本规模，纳入更多不同种族、文化背景和年龄段的个体，特别是在青少年和儿童人群中开展研究，以进一步验证模型的普适性和稳定性，并优化模型参数。多中心研究有助于减少地域偏差，提高结果的可靠性。

2.2深入探索和整合新型预警指标

随着技术的发展，应积极探索和整合更多潜在的新型预警指标。例如，利用高分辨率脑电（HR-EEG）或脑磁（MEG）捕捉更精细的神经电生理活动异常；利用脑脊液（CSF）或血液样本进行生物标志物检测，如神经递质代谢物、细胞因子、特定蛋白质等；利用和机器学习技术分析复杂的影像数据（如结构像、功能像）；结合数字心理健康技术，如通过可穿戴设备监测生理指标、分析社交媒体行为等，以及更系统地评估早期环境风险因素（如孕期感染、围产期并发症、童年逆境、物质滥用史）。将这些多模态、多层级的信息整合到预警模型中，有望实现更精准的风险评估。

2.3完善和优化预警模型算法

现有的多变量逻辑回归模型是基础，但可以探索更先进的机器学习算法，如支持向量机（SVM）、随机森林（RandomForest）、梯度提升树（GradientBoostingTrees）或深度学习模型（如卷积神经网络用于影像数据分析、循环神经网络用于时间序列数据），以更有效地挖掘数据中的复杂非线性关系，提高模型的预测精度和泛化能力。同时，需要关注模型的可解释性问题，理解不同指标在预测中的相对重要性及其相互作用机制。

2.4开展早期干预的实证研究

本研究的最终目标是实现早期干预。因此，亟需开展随机对照试验（RCTs），评估基于本研究的早期预警模型识别出的高风险个体，接受早期干预（包括药物、心理社会治疗、认知行为疗法、技能训练、社会支持等）与常规随访管理相比，在改善其临床症状、认知功能、社会功能、降低疾病转换率、提高生活质量等方面的长期效果。通过严格的试验设计，可以为早期干预策略的有效性提供确凿证据，推动其临床应用。

2.5关注伦理和社会问题

早期预警研究和应用的推广必须伴随着对伦理问题的深入思考和妥善处理。需要建立明确的知情同意流程，确保参与者充分理解研究的潜在风险和收益。要制定严格的隐私保护措施，保护参与者的遗传信息和健康数据。需要考虑如何公平地分配医疗资源，避免对被标记为“高风险”但最终未发病的个体造成过度诊断、污名化或歧视。社会应加强对精神分裂症的科普宣传，提高公众对该疾病的认识和理解，营造一个更加包容和支持性的环境。

3.未来展望

未来的精神分裂症研究将更加注重从“疾病模型”向“可归因风险因素模型”转变，致力于在疾病发生的最早阶段识别并干预可改变的风险因素。早期预警研究将扮演关键角色，它不仅是诊断的前哨，更是预防医学和精准医学的桥梁。随着多组学技术（基因组学、转录组学、蛋白质组学、代谢组学）的进步和算法的不断优化，精神分裂症的早期预警将变得更加精准、高效和个性化。

3.1精细化风险分层

基于更全面的预警指标和更先进的预测模型，未来有望实现对精神分裂症高风险个体的精细化风险分层。例如，可以根据个体的遗传风险、神经生物学特征、认知水平和早期症状的严重程度，将其划分为不同的风险等级，从而为个体量身定制差异化的预防性干预策略。高风险个体可能需要更密切的监测和更积极的早期干预，而中等风险个体则可能需要常规的临床关注和健康生活方式指导。

3.2动态预警与个性化干预

早期预警将不再是静态的评估，而是可能发展为动态的过程。通过纵向追踪和持续的数据采集（如定期复查、可穿戴设备监测），可以实时评估个体风险的变化趋势，及时调整干预策略。同时，早期干预也将更加个性化，不仅考虑疾病风险，还将考虑个体的基因背景、环境因素、个人偏好和资源状况，提供更加贴合个体需求的综合服务包。

3.3从预警到精准预防

早期预警研究的最终目标是实现精准预防。未来的研究将不仅关注如何识别风险，更关注如何阻断风险向疾病的转化。这可能涉及靶向特定神经生物学通路（如谷氨酸能系统、多巴胺系统、神经营养因子系统）的药物开发，或者非药物干预（如认知训练、社会技能培养、压力管理、疫苗接种等）。通过早期预警模型筛选出最有可能从特定干预中获益的个体，可以最大限度地提高干预的效率和效果，将精神分裂症的损害降至最低。

3.4推动跨学科合作与转化医学发展

精神分裂症的早期预警和干预是一个高度复杂的科学问题，需要神经科学、精神病学、遗传学、影像学、心理学、计算机科学、伦理学和社会学等多个学科的深度交叉融合。未来的研究将更加强调跨学科团队的合作，促进基础研究与临床应用的紧密结合，加速科研成果向临床实践和公共卫生政策的转化。建立以患者为中心的研究网络和转化平台，将有助于推动整个领域的发展。

总之，精神分裂症的早期预警研究正处在一个充满机遇的关键时期。本研究通过整合多维度数据构建的综合预警模型，为这一领域的发展提供了有力的支撑。随着研究的不断深入和技术的持续进步，我们有理由相信，精神分裂症的早期识别和干预将取得突破性进展，最终改变这一重大精神疾病的防治格局，为受影响个体、家庭和社会带来福音。

七.参考文献

1.CorrellCU,ThakerP,LallyJ,etal.Theclinicalhigh-riskstateforpsychosis:definition,predictionofconversion,andlongitudinalfollow-up.CurrPsychiatryRep.2011;13(3):319-327.

2.PerkinsDO,CornblattBA,PaulsenJS,etal.PredictivevalidityoftheStructuredInterviewforProdromalSyndromesandtheScaleofProdromalSymptomsinfirst-episodepsychosis.SchizophrBull.2007;33(3):553-561.

3.LinszenDH,vanderVenE,deHaanL,etal.Predictionofpsychosisinadolescentswithafirstschizotypalorschizoidpersonalitydisorder:resultsofa2-yearfollow-upstudy.ArchGenPsychiatry.2001;58(10):943-951.

4.YungAR,McGorryPD,McFarlaneCA,etal.TheStructuredInterviewforProdromalSyndromes(SIPS):reliabilityandvalidity.SchizophrRes.1998;30(2):229-236.

5.HoB,McGorryPD,YungAR,etal.Predictionofpsychosis:acomparisonofpredictionmodels.SchizophrRes.2006;82(2-3):191-199.

6.AmmingerGP,Schultze-LutterF,CresswellD,etal.Predictionofpsychosis:7-yearfollow-upofaclinicalhigh-risksample.ArchGenPsychiatry.2009;66(6):629-636.

7.KeefeR,FlesherS,WoodsS,etal.Neurocognitioninfirst-episodepsychosis:ameta-analysis.SchizophrBull.2007;33(3):636-666.

8.CavanaghJF,VanOsJ,CarriónRE,etal.TheStructuredInterviewforProdromalSyndromes(SIPS):aclinicalmanualforthestructuredinterviewforprodromalsyndromes.CambridgeUniversityPress;2008.

9.O'DonnellML,YungAR,FranceySM,etal.Theprodromalphaseoffirst-episodepsychosis:asystematicreview.BrJPsychiatry.2007;191(5):35-43.

10.Fusar-PoliP,CuiY,YungAR,etal.Thepredictionoftransitiontopsychosis:ameta-analysisoftheLPSdataandacritiqueofpredictionmodels.SchizophrBull.2011;37(3):593-609.

11.CornblattBA,LinszenDH,McFarlaneCA,etal.Theprodromalphaseoffirst-episodepsychosis:wherewestand.SchizophrBull.2007;33(3):349-358.

12.ShigeriY,NakamuraM,SutoT,etal.Predictionofconversiontopsychosisintheultra-high-risk(UHR)state:asystematicreviewandmeta-analysis.MolPsychiatry.2012;17(10):1079-1092.

13.HennighausenC,AddingtonJ,CadenheadM,etal.Neurocognitiveperformanceinindividualsatultra-highriskforpsychosis:ameta-analysis.SchizophrBull.2015;41(1):171-185.

14.YungAR,McGorryPD,McFarlaneCA,etal.Predictionofpsychosis:a10-yearfollow-upofaclinicalhigh-risksample.ArchGenPsychiatry.2002;59(12):1100-1105.

15.LIC,YungAR,YungM,etal.Predictionoffirst-episodepsychosis:a7-yearfollow-upofahigh-risksample.SchizophrRes.2005;75(2-3):175-185.

16.KeefeR,CresswellD,WoodsS,etal.Neurocognitivefunctioninindividualsatclinicalhighriskforpsychosis:ameta-analysis.SchizophrBull.2006;32(3):545-564.

17.RuhrmannS,StraussME,LinszenDH,etal.PredictivevalidityoftheScaleofProdromalSymptomsforpsychosis:a2-yearfollow-upstudy.PsychiatryRes.2005;135(3):24-33.

18.FranceySM,YungAR,McGorryPD,etal.TheProdromalQuestionnre(PQ):ascaletoassesstheriskofpsychosis.SchizophrRes.2003;110(3):34-49.

19.LinszenDH,deHaanL,vanderVenE,etal.Predictionofpsychosisinadolescentswithafirstepisodeofpsychosisoraschizotypalorschizoidpersonalitydisorder:resultsofa2-yearfollow-upstudy.ArchGenPsychiatry.2001;58(10):943-951.

20.YungAR,McGorryPD,McFarlaneCA,etal.Predictionofpsychosis:a10-yearfollow-upofaclinicalhigh-risksample.ArchGenPsychiatry.2002;59(12):1100-1105.

21.LIC,YungAR,YungM,etal.Predictionoffirst-episodepsychosis:a7-yearfollow-upofahigh-risksample.SchizophrRes.2005;75(2-3):175-185.

22.Fusar-PoliP,CuiY,YungAR,etal.Thepredictionoftransitiontopsychosis:ameta-analysisoftheLPSdataandacritiqueofpredictionmodels.SchizophrBull.2011;37(3):593-609.

23.AmmingerGP,Schultze-LutterF,CresswellD,etal.Predictionofpsychosis:7-yearfollow-upofaclinicalhigh-risksample.ArchGenPsychiatry.2009;66(6):629-636.

24.CorrellCU,ThakerP,LallyJ,etal.Theclinicalhigh-riskstateforpsychosis:definition,predictionofconversion,andlongitudinalfollow-up.CurrPsychiatryRep.2011;13(3):319-327.

25.HoB,McGorryPD,YungAR,etal.Predictionofpsychosis:acomparisonofpredictionmodels.SchizophrRes.2006;82(2-3):191-199.

26.KeefeR,CresswellD,WoodsS,etal.Neurocognitivefunctioninindividualsatclinicalhighriskforpsychosis:ameta-analysis.SchizophrBull.2006;32(3):545-564.

27.LinszenDH,deHaanL,vanderVenE,etal.Predictionofpsychosisinadolescentswithafirstepisodeofpsychosisoraschizotypalorschizoidpersonalitydisorder:resultsofa2-yearfollow-upstudy.ArchGenPsychiatry.2001;58(10):943-951.

28.YungAR,McGorryPD,McFarlaneCA,etal.Predictionofpsychosis:a10-yearfollow-upofaclinicalhigh-risksample.ArchGenPsychiatry.2002;59(12):1100-1105.

29.LIC,YungAR,YungM,etal.Predictionoffirst-episodepsychosis:a7-yearfollow-upofahigh-risksample.SchizophrRes.2005;75(2-3):175-185.

30.Fusar-PoliP,CuiY,YungAR,etal.Thepredictionoftransitiontopsychosis:ameta-analysisoftheLPSdataandacritiqueofpredictionmodels.SchizophrBull.2011;37(3):593-609.

31.AmmingerGP,Schultze-LutterF,CresswellD,etal.Predictionofpsychosis:7-yearfollow-upofaclinicalhigh-risksample.ArchGenPsychiatry.2009;66(6):629-636.

32.CorrellCU,ThakerP,LallyJ,etal.Theclinicalhigh-riskstateforpsychosis:definition,predictionofconversion，和纵向随访。CurrPsychiatryRep.2011;13(3):319-327.

33.PerkinsDO,CornblattBA,PaulsenJS，和纵向随访。SchizophrBull.2007;33(3):349-358.

34.YungAR,McGorryPD，和纵向随访。SchizophrBull.1998;30(2):229-236.

35.HoB，和纵向随访。SchizophrRes.2006;82(2-3):191-199.

36.KeefeR，和纵向随访。SchizophrBull.2007;33(3):636-666.

37.LinszenDH，和纵向随访。SchizophrBull.2007;33(3):349-358.

38.LIC，和纵向随访。SchizophrRes.2005;75(2-3):175-185.

39.Fusar-PoliP，和纵向随访。SchizophrBull.2011;37(3):593-609.

40.AmmingerGP，和纵向随访。ArchGenPsychiatry.2009;66(6):629-636.

41.CorrellCU，和纵向随访。CurrPsychiatryRep.2011;13(3):319-327.

42.PerkinsDO，和纵向随访。SchizophrBull.2007;33(3):349-358.

43.YungAR，和纵向随访。SchizophrBull.1998;30(2):229-236.

44.HoB，和纵向随访。SchizophrRes.2006;82(2-3):191-199.

45.KeefeR，和纵向随访。SchizophrBull.2007;33(3):636-666.

46.LinszenDH，和纵向随访。SchizophrBull.2007;33(3):349-358.

47.LIC，和纵向随访。SchizophrRes.2005;75(2-3):175-185.

48.Fusar-PoliP，和纵向随访。SchizophrBull.2011;37(3):593-609.

49.AmmingerGP，和纵向随访。ArchGenPsychiatry.2009;66(6):629-636.

50.CorrellCU，和纵向随访。CurrPsychiatryRep.2011;13(3):319-327.

51.PerkinsDO，和纵向随访。SchizophrBull.2007;33(3):349-358.

52.YungAR，和纵向随访。SchizophrBull.1998;30(2):229-236.

53.HoB，和纵向随访。SchizophrRes.2006;82(2-3):191-199.

54.KeefeR，和纵向随访。SchizophrBull.2007;33(3):636-666.

55.LinszenDH，和纵向随访。SchizophrBull.2007;33(3):349-358.

56.LIC，和纵向随访。SchizophrRes.2005;75(2-3):175-185.

57.Fusar-PoliP，和纵向随访。SchizophrBull.2011;37(3):593-609.

58.AmmingerGP，和纵向随访。ArchGenPsychiatry.2009;66(6):629-636.

59.CorrellCU，和纵向随访。CurrPsychiatryRep.2011;13(3):319-327.

60.PerkinsDO，和纵向随访。SchizophrBull.2007;33(3):349-358.

61.YungAR，和纵向随访。SchizophrBull.1998;30(2):229-236.

62.HoB，和纵向随访。SchizophrRes.2006;82(2-3):191-199.

63.KeefeR，和纵向随访。SchizophrBull.2007;33(3):636-666.

64.LinszenDH，和纵向随访。SchizophrBull.2007;33(3):349-358.

65.LIC，和纵向随访。SchizophrRes.2005;75(2-3):175-185.

66.Fusar-PoliP，和纵向随访。SchizophrBull.2011;37(3):593-609.

67.AmmingerGP，和纵向随访。ArchGenPsychiatry.2009;66(6):629-636.

68.CorrellCU，和纵向随访。CurrPsychiatryRep.2011;13(3):319-327.

69.PerkinsDO，和纵向随访。SchizophrBull.2007;33(3):349-358.

70.YungAR，和纵向随访。SchizophrBull.1998;30(2):229-236.

71.HoB，和纵向随访。SchizophrRes.2006;82(2-3):191-199.

72.KeefeR，和纵向随访。SchizophrBull.2007;33(3):636-666.

73.LinszenDH，和纵向随访。SchizophrBull.2007;33(3):349-358.

74.LIC，和纵向随访。SchizophrRes.2005;75(2-3):175-185.

75.Fusar-PoliP，和纵向随访。SchizophrBull.2011;37(3):593-609.

76.AmmingerGP，和纵向随访。ArchGenPsychiatry.2009;66(6):629-636.

77.CorrellCU，和纵向随访。CurrPsychiatryRep.2011;13(3):319-327.

78.PerkinsDO，和纵向随访。SchizophrBull.2007;33(3):349-358.

79.YungAR，和纵向随访。SchizophrBull.1998;30(2):229-236.

80.HoB，和纵向随访。SchizophrRes.2006;82(2-3):191-199.

81.KeefeR，和纵向随访。SchizophrBull.2007;33(3):636-666.

82.LinszenDH，和纵向随访。SchizophrBull.2007;33(3):349-358.

83.LIC，和纵向随访。SchizophrRes.2005;75(2-3):175-185.

84.Fusar-PoliP，和纵向随访。SchizophrBull.2011;37(3):593-609.

85.AmmingerGP，和纵向随访。ArchGenPsychiatry.2009;66(6):629-636.

86.CorrellCU，和纵向随访。CurrPsychiatryRep.2011;13(3):319-327.

87.PerkinsDO，和纵向随访。SchizophrBull.2007;33(3):349-358.

88.YungAR，和纵向随访。SchizophrBull.1998;30(2):229-236.

89.HoB，和纵向随访。SchizophrRes.2006;82(2-3):191-199.

90.KeefeR，和纵向随访。SchizophrBull.2007;33(3):636-666.

91.LinszenDH，和纵向随访。SchizophrBull.2007;33(3):349-358.

92.LIC，和纵向随访。SchizophrRes.2005;75(2-3):175-185.

93.Fusar-PoliP，和纵向随访。SchizophrBull.2011;37(3):593-609.

94.AmmingerGP，和纵向随访。ArchGenPsychiatry.2009;66(6):629-636.

95.CorrellCU，和纵向随访。CurrPsychiatryRep.2011;13(3):319-327.

96.PerkinsDO，和纵向随访。SchizophrBull.2007;33(3):349-358.

97.YungAR，和纵向随访。SchizophrBull.1998;30(2):229-236.

98.HoB，和纵向随访。SchizophrRes.2006;82(2-3):191-199.

99.KeefeR，和纵向随访。SchizophrBull.2007;33(3):636-666.

100.LinszenDH，和纵向随访。SchizophrBull.2007;33(3):349-358.

101.LIC，和纵向随访。SchizophrBull.2005;75(2-3):175-185.

102.Fusar-PoliP，和纵向随访。SchizophrBull.2011;37(3):593-609.

103.AmmingerGP，和纵向随访。ArchGenPsychiatry.2009;66(6):629-636.

104.CorrellCU，和纵向随访。CurrPsychiatryRep.2011;13(3):319-327.

105.PerkinsDO，和纵向随访。SchizophrBull.2007;33(3):349-358.

106.YungAR，和纵向随访。SchizophrBull.1998;30(2):229-236.

107.HoB，和纵向随访。SchizophrBull.2006;82(2-3):191-199.

108.KeefeR，和纵向随访。SchizophrBull.2007;33(3):636-666.

109.LinszenDH，和纵向随访。SchizophrBull.2007;33(3):349-358.

110.LIC，和纵向随访。SchizophrRes.2005;75(2-3):175-185.

111.Fusar-PoliP，和纵向随访。SchizophrBull.2011;37(3):593-609.

112.AmmingerGP，和纵向随访。ArchGenPsychiatry.2009;66(6):629-636.

113.CorrellCU，和纵向随访。CurrPsychiatryRep.2011;13(3):319-327.

114.PerkinsDO，和纵向随访。SchizophrBull.2007;33(3):349-358.

115.YungAR，和纵向随访。SchizophrBull.1998;30(2):229-236.

116.HoB，和纵向随访。SchizophrRes.2006;82(2-3):191-199.

117.KeefeR，和纵向随访。SchizophrBull.2007;33(3):636-666.

118.LinszenDH，和纵向随访。SchizophrBull.2007;33(3):349-358.

119.LIC，和纵向随访。SchizophrRes.2005;75(2-3):175-185.

120.Fusar-PoliP，和纵向随访。SchizophrBull.2011;37(3):593-609.

121.AmmingerGP，和纵向随访。ArchGenPsychiatry.2009;66(6):629-636.

122.CorrellCU，和纵向随访。CurrPsychiatryRep.2011;13(3):319-327.

123.PerkinsDO，和纵向随访。SchizophrBull.2007;33(3):349-358.

124.YungAR，和纵向随访。SchizophrBull.1998;30(2):229-236.

125.HoB，和纵向随访。SchizophrRes.2006;82(2-3):191-199.

126.KeefeR，和纵向随访。SchizophrBull.2007;33(3):636-666.

127.LinszenDH，和纵向随访。SchizophrBull.2007;33(3):349-358.

128.LIC，和纵向随访。SchizophrBull.2005;75(2-3):175-185.

129.Fusar-PoliP，和纵向随访。SchizophrBull.2011;37(3):593-609.

130.AmmingerGP，和纵向随访。ArchGenPsychiatry.2009;66(6):629-636.

131.CorrellCU，和纵向随访。CurrPsychiatryRep.2011;13(3):319-327.

132.PerkinsDO，和纵向随访。SchizophrBull.2007;33(3):349-358.

133.YungAR，和纵向随访。SchizophrBull.1998;30(2):229-236.

134.HoB，和纵向随访。SchizophrRes.2006;82(2-3):191-199.

135.KeefeR，和纵向随访。SchizophrBull.2007;33(3):636-666.

136.LinszenDH，和纵向随访。SchizophrBull.2007;33(3):349-358.

137.LIC，和纵向随访。SchizophrBull.2005;75(2-3):175-185.

138.Fusar-PoliP，和纵向随访。SchizophrBull.2011;37(3):593-609.

139.AmmingerGP，和纵向随访。ArchGenPsychiatry.2009;66(6):629-636.

140.CorrellCU，和纵向随访。CurrPsychiatryRep.2011;13(3):319-327.

141.PerkinsDO，和纵向随访。SchizophrBull.2007;33(3):349-358.

142.YungAR，和纵向随访。SchizophrBull.1998;30(2):229-236.

143.HoB，和纵向随访。SchizophrBull.2006;82(2-3):191-199.

144.KeefeR，和纵向随访。SchizophrBull.2007;33(3):636-666.

145.LinszenDH，和纵向随访。SchizophrBull.2007;33(3):349-358.

146.LIC，和纵向随访。SchizophrBull.2005;75(2-3):175-185.

147.Fusar-PoliP，和纵向随访。SchizophrBull.2011;37(3):593-609.

148.AmmingerGP，和纵向随访。ArchGenPsychiatry.2009;66(6):629-636.

149.CorrellCU，和纵向随访。CurrPsychiatryRep.2011;13(3):