Polygenic risk scores (PRS) have attenuated cross-population predictive performance. As existing genome-wide association studies (GWAS) have been conducted predominantly in individuals of European descent, the limited transferability of PRS reduces their clinical value in non-European populations, and may exacerbate healthcare disparities. Recent efforts to level ancestry imbalance in genomic research have expanded the scale of non-European GWAS, although most remain underpowered. Here, we present a new PRS construction method, PRS-CSx, which improves cross-population polygenic prediction by integrating GWAS summary statistics from multiple populations. PRS-CSx couples genetic effects across populations via a shared continuous shrinkage (CS) prior, enabling more accurate effect size estimation by sharing information between summary statistics and leveraging linkage disequilibrium diversity across discovery samples, while inheriting computational efficiency and robustness from PRS-CS. We show that PRS-CSx outperforms alternative methods across traits with a wide range of genetic architectures, cross-population genetic overlaps and discovery GWAS sample sizes in simulations, and improves the prediction of quantitative traits and schizophrenia risk in non-European populations. PRS-CSx is a polygenic risk score construction method that improves cross-population polygenic prediction by integrating GWAS summary statistics from multiple populations.

Childhood maltreatment (CM) is prevalent among patients with mood disorders and considered an important risk factor for suicide in the general population. Despite mood disorders being implicated in up to 60 % of completed suicides, the predictive role of CM on suicide attempt (SA) among early mood disorder patients remains poorly understood. We enrolled 480 participants diagnosed with early-onset major depressive disorder (MDD), bipolar I disorder (BD I), and bipolar II disorder (BD II). Over an average of 60 weeks, participants underwent follow-up assessments at 12-week intervals. Using multivariate logistic regression, we examined the association between CM and SA history at baseline. Further, the Cox proportional hazard model assessed the predictive role of childhood maltreatment in SA during follow-up. At baseline, 38 % of the total participants reported SA history, with a follow-up prevalence of 10 %. Childhood maltreatment was significantly associated with past SAs and was a robust predictor of future SA, adjusting for relevant clinical risk factors. Emotional abuse and sexual abuse related to SA history, and physical abuse increased future SA risk. Potential biases in reporting SA and childhood maltreatment, along with unexplored factors such as additional environmental and familial risks, may affect the study's findings. Childhood maltreatment emerged as a robust predictor of SA among early-onset mood disorder patients. Systematic evaluation of CM early in the clinical process may be crucial for effective risk management. Additionally, our findings highlight the importance of implementing proactive interventions for CM to prevent the onset of adverse psychological trajectories.

This study investigated the utilization of digital phenotypes and machine learning algorithms to predict impending panic symptoms in patients with mood and anxiety disorders. A cohort of 43 patients was monitored over a two-year period, with data collected from smartphone applications and wearable devices. This research aimed to differentiate between the day before panic (DBP) and stable days without symptoms. With RandomForest, GradientBoost, and XGBoost classifiers, the study analyzed 3,969 data points, including 254 DBP events. The XGBoost model demonstrated performance with a ROC-AUC score of 0.905, while a simplified model using only the top 10 variables maintained an ROC-AUC of 0.903. Key predictors of panic events included evaluated Childhood Trauma Questionnaire scores, increased step counts, and higher anxiety levels. These findings indicate the potential of machine learning algorithms leveraging digital phenotypes to predict panic symptoms, thereby supporting the development of proactive and personalized digital therapies and providing insights into real-life indicators that may exacerbate panic symptoms in this population.

Introduction Machine learning (ML) is an effective tool for predicting mental states and is a key technology in digital psychiatry. This study aimed to develop ML algorithms to predict the upper tertile group of various anxiety symptoms based on multimodal data from virtual reality (VR) therapy sessions for social anxiety disorder (SAD) patients and to evaluate their predictive performance across each data type. Methods This study included 32 SAD-diagnosed individuals, and finalized a dataset of 132 samples from 25 participants. It utilized multimodal (physiological and acoustic) data from VR sessions to simulate social anxiety scenarios. This study employed extended Geneva minimalistic acoustic parameter set for acoustic feature extraction and extracted statistical attributes from time series-based physiological responses. We developed ML models that predict the upper tertile group for various anxiety symptoms in SAD using Random Forest, extreme gradient boosting (XGBoost), light gradient boosting machine (LightGBM), and categorical boosting (CatBoost) models. The best parameters were explored through grid search or random search, and the models were validated using stratified cross-validation and leave-one-out cross-validation. Results The CatBoost, using multimodal features, exhibited high performance, particularly for the Social Phobia Scale with an area under the receiver operating characteristics curve (AUROC) of 0.852. It also showed strong performance in predicting cognitive symptoms, with the highest AUROC of 0.866 for the Post-Event Rumination Scale. For generalized anxiety, the LightGBM’s prediction for the State-Trait Anxiety Inventory-trait led to an AUROC of 0.819. In the same analysis, models using only physiological features had AUROCs of 0.626, 0.744, and 0.671, whereas models using only acoustic features had AUROCs of 0.788, 0.823, and 0.754. Conclusions This study showed that a ML algorithm using integrated multimodal data can predict upper tertile anxiety symptoms in patients with SAD with higher performance than acoustic or physiological data obtained during a VR session. The results of this study can be used as evidence for personalized VR sessions and to demonstrate the strength of the clinical use of multimodal data.