多模式，多站点机器学习分析的结果显示，预测模型根据1年社会功能结果，确定了高达83％的临床高风险精神病患者和70％初发的抑郁患者。

先前的研究表明，使用临床，神经认知，神经生理学和MRI数据，可以预测临床高风险状态的个体患者的精神病，来自德国Ludwig-Maximilian大学精神病学和心理治疗系的Nikolaos Koutsouleris 医师，以及同事在JAMA Psychiatry中解释道，而使用机器学习加强了这些发现，证明临床基线数据可能与首发精神病和抑郁症的功能和治疗结果的预测因子有关。

Koutsouleris及其同事写道：“尽管从概念上已经提出来了，但基于行为和基于MRI的数据是否可以在顺序预测算法中有效地结合以优化预测能力的问题尚未经过实证检验。”

这个多地点的自然主义研究检验了使用临床、基于图像和联合机器学习的方法是否能识别出临床高危状态下的精神病患者或抑郁初发患者的社会和角色功能的预测因子。

研究人员还将机器学习的地理的、跨诊断的和预后的普遍性与人类预测进行了比较，并评估了包括临床和组合机器学习在内的连续预后。高风险国家的参与者，最近发作的抑郁症患者和最近发病的精神病患者，以及健康对照参与者，被随访18个月。

该研究纳入了116名精神病高风险人群和120名近期患有抑郁症的人群。Koutsouleris及其同事确定了患有精神病和复发性抑郁症风险增加的患者社会功能障碍的普遍临床，影像学和联合预测模型。

使用临床基线数据，机器学习预测模型正确地确定了1年社会功能结果，高风险状态患者的平衡准确率为76.9％，初期发作的抑郁患者为66.2％。使用结构性神经影像学，模型预测76.2％的精神病高风险患者和65％的早期抑郁患者的预后。联合模型正确预测了高危状态患者中82.7％患者的1年预后，以及近期患有抑郁症患者的70.3％。

研究人员发现，在进入研究之前，较低的功能是一种跨性别预测因子。他们还报告称，机器学习的表现优于专家预测。结果显示，神经影像学机器学习加上临床机器学习使临床高风险患者的不确定病例预后的确定性增加1.9倍，近期抑郁患者增加10.5倍。

“为了进一步阐明促进或限制此处介绍的风险计算器可转移性的临床，环境和神经生物学因素，需要在本研究欧洲流域区以外的地点招募的种族多样化的患者群体进行外部和前瞻性验证，”作者写道，“这是量化精神病学方法在严重精神疾病二级和三级预防中的可行性和实用性的下一个重要步骤。”

多伦多大学成瘾与心理健康中心的Aristotle N. Voineskos博士和多伦多大学精神病学系的Aristotle N. Voineskos博士说，关于如何在临床上实施预测试验仍存在疑问。

他写道，“如果神经科学是被植入或作为临床治疗的一部分，它将需要精神病学服务社区、实施专家、质量改进专家、临床神经科学家和有经验的人的所有技能和知识。鉴于我们的领域迄今缺乏进展，精密医学、实施和学习卫生保健系统的持续循环可以作为精神病学的典范。”