A review of brain stimulation methods to treat substance use disorders
Notice bibliographique
Résumé
BACKGROUND: Substance use disorders (SUDs) are a leading cause of disability worldwide. While several pharmacological and behavioral treatments for SUDs are available, these may not be effective for all patients. Recent studies using non-invasive neuromodulation techniques including Repetitive Transcranial Magnetic Stimulation (rTMS), Transcranial Direct Current Stimulation (tDCS), and Deep Brain Stimulation (DBS) have shown promise for SUD treatment. OBJECTIVE: Multiple studies were evaluated investigating the therapeutic potential of non-invasive brain stimulation techniques in treatment of SUDs. METHOD: Through literature searches (eg, PubMed, Google Scholar), 60 studies (2000-2017) were identified examining the effect of rTMS, tDCS, or DBS on cravings and consumption of SUDs, including tobacco, alcohol, cannabis, opioids, and stimulants. RESULTS: rTMS and tDCS demonstrated decreases in drug craving and consumption, while early studies with DBS suggest similar results. Results are most encouraging when stimulation is targeted to the Dorsolateral Prefrontal Cortex (DLPFC). CONCLUSIONS: Short-term treatment with rTMS and tDCS may have beneficial effects on drug craving and consumption. Future studies should focus on extending therapeutic benefits by increasing stimulation frequency and duration of treatment. SCIENTIFIC SIGNIFICANCE: The utility of these methods in SUD treatment and prevention are unclear, and warrants further study using randomized, controlled designs. (Am J Addict 2018;27:71-91).
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».