Abstract Motivated by the potential of objective neurophysiological markers to index thalamocortical function in patients with severe psychiatric illnesses, we comprehensively characterized key NREM sleep parameters across multiple domains, their interdependencies, and their relationship to waking event-related potentials and symptom severity. In 130 schizophrenia (SCZ) patients and controls, we confirmed a marked reduction in sleep spindle density in SCZ and extended these findings to show that only slow spindles predicted symptom severity, and that fast and slow spindle properties were largely uncorrelated. We also describe a novel measure of slow oscillation and spindle interaction that was attenuated in SCZ. The main sleep findings were replicated in a demographically distinct sample, and a joint model, based on multiple NREM components, predicted disease status in the replication cohort. Although also altered in patients, auditory event-related potentials elicited during wake were unrelated to NREM metrics. Consistent with a growing literature implicating thalamocortical dysfunction in SCZ, our characterization identifies independent NREM and wake EEG biomarkers that may index distinct aspects of SCZ pathophysiology and point to multiple neural mechanisms underlying disease heterogeneity. This study lays the groundwork for evaluating these neurophysiological markers, individually or in combination, to guide efforts at treatment and prevention as well as identifying individuals most likely to benefit from specific interventions.

Background: Multiple facets of sleep neurophysiology, including electroencephalography (EEG) metrics such as non-rapid eye movement (NREM) spindles and slow oscillations (SO), are altered in individuals with schizophrenia (SCZ). However, beyond group-level analyses which treat all patients as a unitary set, the extent to which NREM deficits vary among patients is unclear, as are their relationships to other sources of heterogeneity including clinical factors, illness duration and ageing, cognitive profiles and medication regimens. Using newly collected high density sleep EEG data on 103 individuals with SCZ and 68 controls, we first sought to replicate our previously reported (Kozhemiako et. al, 2022) group-level mean differences between patients and controls (original N=130). Then in the combined sample (N=301 including 175 patients), we characterized patient-to-patient variability in NREM neurophysiology. Results: We replicated all group-level mean differences and confirmed the high accuracy of our predictive model (Area Under the ROC Curve, AUC = 0.93 for diagnosis). Compared to controls, patients showed significantly increased between-individual variability across many (26%) sleep metrics, with patterns only partially recapitulating those for group-level mean differences. Although multiple clinical and cognitive factors were associated with NREM metrics including spindle density, collectively they did not account for much of the general increase in patient-to-patient variability. Medication regimen was a greater (albeit still partial) contributor to variability, although original group mean differences persisted after controlling for medications. Some sleep metrics including fast spindle density showed exaggerated age-related effects in SCZ, and patients exhibited older predicted biological ages based on an independent model of ageing and the sleep EEG. Conclusion: We demonstrated robust and replicable alterations in sleep neurophysiology in individuals with SCZ and highlighted distinct patterns of effects contrasting between-group means versus within-group variances. We further documented and controlled for a major effect of medication use, and pointed to greater age-related change in NREM sleep in patients. That increased NREM heterogeneity was not explained by standard clinical or cognitive patient assessments suggests the sleep EEG provides novel, nonredundant information to support the goals of personalized medicine. Collectively, our results point to a spectrum of NREM sleep deficits among SCZ patients that can be measured objectively and at scale, and that may offer a unique window on the etiological and genetic diversity that underlies SCZ risk, treatment response and prognosis.

Schizophrenia is a pervasive and severe mental disorder characterized by significant disability and high rates of recurrence. The persistently high rates of readmission after discharge present a serious challenge and source of stress in treating this population. Early identification of this risk is critical for implementing targeted interventions. The present study aimed to develop an easy-to-use predictive instrument for identifying the risk of readmission within 1-year post-discharge among schizophrenia patients in China. A prediction model, based on static factors, was developed using data from 247 schizophrenia inpatients admitted to the Mental Health Center in Wuxi, China, from July 1 to December 31, 2020. For internal validation, an additional 106 patients were included. Multivariate Cox regression was applied to identify independent predictors and to create a nomogram for predicting the likelihood of readmission within 1-year post-discharge. The model's performance in terms of discrimination and calibration was evaluated using bootstrapping with 1000 resamples. Multivariate cox regression demonstrated that involuntary admission (adjusted hazard ratio [aHR] 4.35, 95% confidence interval [CI] 2.13–8.86), repeat admissions (aHR 3.49, 95% CI 2.08–5.85), the prescription of antipsychotic polypharmacy (aHR 2.16, 95% CI 1.34–3.48), and a course of disease ≥ 20 years (aHR 1.80, 95% CI 1.04–3.12) were independent predictors for the readmission of schizophrenia patients within 1-year post-discharge. The area under the curve (AUC) and concordance index (C-index) of the nomogram constructed from these four factors were 0.820 and 0.780 in the training set, and 0.846 and 0.796 for the validation set, respectively. Furthermore, the calibration curves of the nomogram for both the training and validation sets closely approximated the ideal diagonal line. Additionally, decision curve analyses (DCAs) demonstrated a significantly better net benefit with this model. A nomogram, developed using pre-discharge static factors, was designed to predict the likelihood of readmission within 1-year post-discharge for patients with schizophrenia. This tool may offer clinicians an accurate and effective way for the timely prediction and early management of psychiatric readmissions.

Abstract Objective To determine if the cardiac function and “endocrinium” of Chinese patients are associated with dopamine D2 (DRD2) (rs6276) and DRD3 (rs6280, rs963468) genetic polymorphisms when treated with amisulpride. Methods This study enrolled 148 patients with schizophrenia who took amisulpride orally for 8 weeks. DRD2 (rs6276) and DRD3 (rs6280, rs963468) genetic polymorphisms were detected with TaqMan-MGB allelic discrimination. Results Analysis by multivariate covariance analysis (MANCOVA) showed that after adjusting for age, gender, and the baseline level, the increase in the level of aspartate aminotransferase (AST) and creatine kinase (CK) in the rs6276 AG group was higher than that in the AA and GG groups. Similarly, the changed estradiol (E2) level in rs6276 GG and rs963468 GG groups was higher than that in the other two groups. Adjusting for covariates, the increased triglyceride (TG) level in rs6276 GG and rs963468 GG groups was the highest among their different genotype groups. The increase in the level of “AST” in the rs6280 TT group was higher than that in the CC and CT groups upon adjusting for covariates. Similarly, MANCOVA showed that the increase in the level of “CK” in the rs6280 CT group was higher than that in the CC and CT groups. Besides, the increased level of “PRL” in the rs6280 CC group and rs963468 GG group was higher than that in their other two genotypes groups. Conclusion DRD2 (rs6276) and DRD3 (rs6280, rs963468) polymorphisms can affect amisulpride tolerability since they are associated with the observed adverse reactions, including cardiac dysfunction and endocrine disorders in Chinese patients with schizophrenia.

Abstract Background Objective and quantifiable markers are crucial for developing novel therapeutics for mental disorders by 1) stratifying clinically similar patients with different underlying neurobiological deficits and 2) objectively tracking disease trajectory and treatment response. Schizophrenia is often confounded with other psychiatric disorders, especially bipolar disorder, if based on cross-sectional symptoms. Awake and sleep EEG have shown promise in identifying neurophysiological differences as biomarkers for schizophrenia. However, most previous studies, while useful, were conducted in European and American populations, had small sample sizes, and utilized varying analytic methods, limiting comprehensive analyses or generalizability to diverse human populations. Furthermore, the extent to which wake and sleep neurophysiology metrics correlate with each other and with symptom severity or cognitive impairment remains unresolved. Moreover, how these neurophysiological markers compare across psychiatric conditions is not well characterized. The utility of biomarkers in clinical trials and practice would be significantly advanced by well-powered transdiagnostic studies. The Global Research Initiative on the Neurophysiology of Schizophrenia (GRINS) project aims to address these questions through a large, multi-center cohort study involving East Asian populations. To promote transparency and reproducibility, we describe the protocol for the GRINS project. Methods The research procedure consists of an initial screening interview followed by three subsequent sessions: an introductory interview, an evaluation visit, and an overnight neurophysiological recording session. Data from multiple domains, including demographic and clinical characteristics, behavioral performance (cognitive tasks, motor sequence tasks), and neurophysiological metrics (both awake and sleep electroencephalography), are collected by research groups specialized in each domain. Conclusion Pilot results from the GRINS project demonstrate the feasibility of this study protocol and highlight the importance of such research, as well as its potential to study a broader range of patients with psychiatric conditions. Through GRINS, we are generating a valuable dataset across multiple domains to identify neurophysiological markers of schizophrenia individually and in combination. By applying this protocol to related mental disorders often confounded with each other, we can gather information that offers insight into the neurophysiological characteristics and underlying mechanisms of these severe conditions, informing objective diagnosis, stratification for clinical research, and ultimately, the development of better-targeted treatment matching in the clinic.