Publicacions - FIDMAG, Fundació per a la recerca

US DE COOKIES
Utilitzem cookies necessàries de sistema per al correcte funcionament de la web i cookies opcionals de Google Analytics per obtenir estadístiques de visita. +info

Configuració cookies

Necessàries

Les cookies necessàries són absolutament essencials perquè el lloc web funcioni correctament. Aquesta categoria només inclou galetes que garanteixen funcionalitats bàsiques i funcions de seguretat del lloc web. Aquestes cookies no emmagatzemen cap informació personal.

Nom	Proveïdor	Propietat	Finalitat	Caducitat
_GRECAPTCHA	google.com	1	Proveir protecció antispam amb el servei reCaptcha	6 mesos
cc_cookie_accept	fidmag.org	1	Usada per confirmar que l'usuari ha confirmat / refusat les cookies (i quins tipus accepta)	1 any
WEB_SESSION	fidmag.org	1	Cookie técnica: cookie de sessió PHP. Guarda l'id de sessió d'usuari.	al acabar la sessió

Anàlisi

Les cookies analítiques s'utilitzen per entendre com interactuen els visitants amb el lloc web. Aquestes cookies ajuden a proporcionar informació sobre mètriques, el nombre de visitants, el percentatge de rebots, la font del trànsit, etc.

Nom	Proveïdor	Propietat	Finalitat	Caducitat
_ga	Google Analytics	2	Cookie d'anàlisi o mesurament: Identifica els usuaris i proporciona informació sobre com els usuaris troben la pàgina web i com la utilitzen per a realització d'Informes estadístics	2 anys
_gat_gtag_UA_141706552_1	Google Analytics	2	Cookie d'anàlisi o mesurament: Tracking per part de google per google analytics	1 minut
_gid	Google Analytics	2	Cookie d'anàlisi o mesurament: S'usa per limitar el percentatge de sol·licituds	24 hores
_guid	linkedin	2	Identifica de manera única els visitants per a finalitats d’anàlisi.	90 dies
AnalyticsSyncHistory	linkedin	2	Emmagatzema informació sobre la sincronització de dades amb serveis d’anàlisi.	30 dies
bcookie	linkedin	2	Identifica dispositius de forma única per motius de seguretat i detecció d’abús.	2 anys
li_gc	linkedin	2	Desa el consentiment de l’usuari sobre l’ús de cookies no essencials.	6 mesos
li_mc	linkedin	2	Emmagatzema dades d’identificadors per a la sincronització i segmentació publicitària.	2 anys
liap	linkedin	2	Manté l’estat d’inici de sessió dels usuaris de LinkedIn.	1 any
lidc	linkedin	1	Utilitzada per al balanç de càrrega entre servidors per assegurar el bon funcionament de LinkedIn.	24 hores
UserMatchHistory	linkedin	2	Emmagatzema informació sobre visites per realitzar retargeting publicitari.	30 dies

Configurar Rebutjar totes Acceptar Totes

Tornar als resultats

FI
4.53

41792879

2026 Bipolar Disorders

Fingerprints Encode Risk for Bipolarity.

Salvador , García-León , Rodriguez-Jimenez , Del Olmo-Encabo , Barbosa , Aquino-Servín , Sotero-Moreno , Fatjó-Vilas , Jaurrieta-Guarner , Sánchez , Corte-Souto , Rojo , Rebolleda-Gil , Correa-Ghisays , Balanzá-Martínez , Caride-Padilla , Sarró , Feria-Raposo , Sánchez-Cabezudo , Jiménez-Rodríguez , Torres , Moreno-Comellas , Navarro , Del Olmo-Romero , Larraz-Romeo , Pomarol-Clotet

Servei limitat a col·laboradors/res de la xarxa de centres de Germanes Hospitalàries. Rebreu un missatge al vostre correu-e amb un enllaç per a la descàrrega del present article.

Abstract

Fingerprint patterns are developed during pregnancy and share a common embryogenic origin with the central nervous system. Considering the observed relationship between prenatal abnormalities and higher risk for schizophrenia, we previously built fingerprint-based algorithms achieving validation accuracies up to 70% in a large sample of patients with schizophrenia. In this new study, we apply them to a sample of patients with bipolar disorder.Besides validating the developed algorithms with an independent sample of fingerprints from N = 127 patients with schizophrenia and N = 116 healthy controls, here we applied them to a sample of N = 118 bipolar disorder patients. Scores from a premorbid IQ scale were also obtained from all participants, and the link between these scores and the algorithm outcomes was analyzed.The initial validation provided balanced accuracies similar to those of the original study (57%-68%). When applied to subjects with bipolar disorder (against healthy individuals), algorithms also showed significant predictive power (accuracies: 55%-68%). Consequently, the capacity to discriminate between schizophrenia and bipolar disorder was poor (accuracies: 47%-57%). Regression analyses between averaged probabilities and premorbid IQ scores were significant in schizophrenia (r = -0.184; p = 0.041) and in the whole sample (r = -0.159; p = 0.002).Algorithms were predictive of bipolarity, highlighting the existence of fingerprint abnormalities also in bipolar disorder. In addition, the observed associations with premorbid IQ underline the neurodevelopmental origin of fingerprint patterns and suggest the potential use of fingerprints for prediction in other neurodevelopmental disorders. The lack of specificity with the diagnosis of schizophrenia, though, points to the need for new algorithms for differential diagnosis in psychosis.