Approaches to neuromodulation for schizophrenia
Notice bibliographique
Résumé
Based on the success of deep brain stimulation (DBS) for treating movement disorders, there is growing interest in using DBS to treat schizophrenia (SZ). We review the unmet needs of patients with SZ and the scientific rationale behind the DBS targets proposed in the literature in order to guide future development of DBS to treat this vulnerable patient population. SZ remains a devastating disorder despite treatment. Relapse, untreated psychosis, intolerable side effects and the lack of effective treatment for negative and cognitive symptoms contribute to poor outcome. Novel therapeutic interventions are needed to treat SZ and DBS is emerging as a potential intervention. Convergent genetic, pharmacological and neuroimaging evidence implicating neuropathology associated with psychosis is consistent with SZ being a circuit disorder amenable to striatal modulation with DBS. Many of the DBS targets proposed in the literature may modulate striatal dysregulation. Additional targets are considered for treating tardive dyskinesia and negative and cognitive symptoms. A need is identified for the concurrent development of neurophysiological biomarkers relevant to SZ pathology in order to inform DBS targeting. Finally, we discuss the current clinical trials of DBS for SZ, and their ethical considerations. We conclude that patients with severe symptoms despite treatment must have the capacity to consent for a DBS clinical trial in which risks can be estimated, but benefit is not known. In addition, psychiatric populations should have access to the potential benefits of neurosurgical advances.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».