Cigarette Cravings, Impulsivity, and the Brain
Notice bibliographique
Résumé
Craving is a core feature of tobacco use disorder as well as a significant predictor of smoking relapse. Studies have shown that appetitive smoking-related stimuli (e.g., someone smoking) trigger significant cravings in smokers impede their self-control capacities and promote drug seeking behavior. In this review, we begin by an overview of functional magnetic resonance imaging (fMRI) studies investigating the neural correlates of smokers to appetitive smoking cues. The literature reveals a complex and vastly distributed neuronal network underlying smokers' craving response that recruits regions involved in self-referential processing, planning/regulatory processes, emotional responding, attentional biases, and automatic conducts. We then selectively review important factors contributing to the heterogeneity of results that significantly limit the implications of these findings, namely between- (abstinence, smoking expectancies, and self-regulation) and within-studies factors (severity of smoking dependence, sex-differences, motivation to quit, and genetic factors). Remarkably, we found that little to no attention has been devoted to examine the influence of personality traits on the neural correlates of cigarette cravings in fMRI studies. Impulsivity has been linked with craving and relapse in substance and tobacco use, which prompted our research team to examine the influence of impulsivity on cigarette cravings in an fMRI study. We found that the influence of impulsivity on cigarette cravings was mediated by fronto-cingulate mechanisms. Given the high prevalence of cigarette smoking in several psychiatric disorders that are characterized by significant levels of impulsivity, we conclude by identifying psychiatric patients as a target population whose tobacco-smoking habits deserve further behavioral and neuro-imaging investigation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».