Brain Age in Early Stages of Bipolar Disorders or Schizophrenia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: The greater presence of neurodevelopmental antecedants may differentiate schizophrenia from bipolar disorders (BD). Machine learning/pattern recognition allows us to estimate the biological age of the brain from structural magnetic resonance imaging scans (MRI). The discrepancy between brain and chronological age could contribute to early detection and differentiation of BD and schizophrenia. Methods: We estimated brain age in 2 studies focusing on early stages of schizophrenia or BD. In the first study, we recruited 43 participants with first episode of schizophrenia-spectrum disorders (FES) and 43 controls. In the second study, we included 96 offspring of bipolar parents (48 unaffected, 48 affected) and 60 controls. We used relevance vector regression trained on an independent sample of 504 controls to estimate the brain age of study participants from structural MRI. We calculated the brain-age gap estimate (BrainAGE) score by subtracting the chronological age from the brain age. Results: Participants with FES had higher BrainAGE scores than controls (F(1, 83) = 8.79, corrected P = .008, Cohen's d = 0.64). Their brain age was on average 2.64 ± 4.15 years greater than their chronological age (matched t(42) = 4.36, P < .001). In contrast, participants at risk or in the early stages of BD showed comparable BrainAGE scores to controls (F(2,149) = 1.04, corrected P = .70, η2 = 0.01) and comparable brain and chronological age. Conclusions: Early stages of schizophrenia, but not early stages of BD, were associated with advanced BrainAGE scores. Participants with FES showed neurostructural alterations, which made their brains appear 2.64 years older than their chronological age. BrainAGE scores could aid in early differential diagnosis between BD and schizophrenia.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle