0254 Fronto-Temporo-Occipital Cortical Thickness Measures Predict Poor Sleep Quality in At-Risk Youth
Notice bibliographique
Résumé
Poor subjective sleep quality (SQ) is a prominent risk factor for most forms of psychiatric illness, yet objective biomarkers of SQ have remained elusive. Our goal was to identify neural markers of SQ using a combination of structural and functional neuroimaging assessments in youth expressing a range of psychopathology. A transdiagnostic sample of 40 youth (8-17yr) completed an MRI assessment and rated past-week SQ with a modified Pittsburgh Sleep Quality Index (N=22 good SQ [PSQI≤5]; N=18 poor SQ [PSQI>5]). Group-lasso logistic regression identified non-zero predictors of SQ from cortical thickness measures; BOLD response to reward and emotion fMRI tasks; sleep history; and demographic/clinical features. Poor SQ was associated with higher depression severity and cortical thickness in sensory regions (thinner right superior temporal sulcus and left temporal pole, thicker right lateral occipital cortex). Age interacted with right superior frontal (SFC) cortical thickness to predict SQ, such that SFC thickness and age were positively associated in youth with good SQ and negatively related in those with poor SQ. Anxiety severity interacted with right rostral anterior cingulate (rACC) cortical thickness to predict SQ, such that rACC thickness and anxiety were negatively related in youth with good SQ and positively related among youth with poor SQ. Predictors explained 51.2% of the variance in SQ and correctly classified 85% of cases. Age, internalizing symptoms, and cortical thickness in sensory and frontal midline regions, were useful classifiers of SQ. A combination of measures may be necessary to understand the neural basis of poor SQ and its role in psychiatric illness. R01MH060952; K01MH111953.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».