Quantitative Electroencephalography for Objective and Differential Diagnosis of Depression: A Comprehensive Review
Notice bibliographique
Résumé
<p>Quantitative electroencephalography (QEEG) has been dramatically developed during recent years in cognitive neurosciences. It has shown significant potential in the diagnosis of cognitive neurological disorders as well as in the evaluation of treatment outcomes and response. Early diagnosis of depression, differential diagnosis, and assessing the treatment outcomes and response are currently the main research fields of QEEG in depression. Identifying reliable disorder-specific EEG-based biomarkers that have strong correlations with the depression specific cognitive functions is one of the major challenges in these fields. Such biomarkers not only allow early and cost-effective diagnosis of depression, but also may have differential diagnostic and predictive values for treatment response of a variety of treatments. This paper aims at a comprehensive review on the main principles of QEEG in developing biomarkers for MDD. The databases of PubMed (1985-2015), Web of Sciences (1985-2015), and Google Scholar (1980-2015) were searched using the set terms. The obtained results were screened for the title and abstract by two authors and they came to consensus whether the studies are related to the review. The main advantages of QEEG for mood disorders are also reviewed. In addition, different QEEG-based measures for objective diagnosis of MDD as well as for distinguishing depressed patients from healthy subjects are discussed.</p>
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».