Selective modulation of brain network dynamics by seizure therapy in treatment-resistant depression
Notice bibliographique
Résumé
BACKGROUND: Electroconvulsive therapy (ECT) is highly effective for treatment-resistant depression, yet its mechanism of action is still unclear. Understanding the mechanism of action of ECT can advance the optimization of magnetic seizure therapy (MST) towards higher efficacy and less cognitive impairment. Given the neuroimaging evidence for disrupted resting-state network dynamics in depression, we investigated whether seizure therapy (ECT and MST) selectively modifies brain network dynamics for therapeutic efficacy. METHODS: EEG microstate analysis was used to evaluate resting-state network dynamics in patients at baseline and following seizure therapy, and in healthy controls. Microstate analysis defined four classes of brain states (labelled A, B, C, D). Source localization identified the brain regions associated with these states. RESULTS: An increase in duration and decrease in frequency of microstates was specific to responders of seizure therapy. Significant changes in the dynamics of States A, C and D were observed and predicted seizure therapy outcome (specifically ECT). Relative change in the duration of States C and D was shown to be a strong predictor of ECT response. Source localization partly associated C and D to the salience and frontoparietal networks, argued to be impaired in depression. An increase in duration and decrease in frequency of microstates was also observed following MST, however it was not specific to responders. CONCLUSION: This study presents the first evidence for the modulation of global brain network dynamics by seizure therapy. Successful seizure therapy was shown to selectively modulate network dynamics for therapeutic efficacy.
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 | 0,000 | 0,009 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».