MétaCan
Menu
Retour à la cohorte
Enregistrement W2906143653 · doi:10.1093/schbul/sbx172

Brain Age in Early Stages of Bipolar Disorders or Schizophrenia

2017· article· en· W2906143653 sur OpenAlexafffund
Tomáš Hájek, Katja Franke, Marián Kolenič, J Capková, Martin Matějka, Lukáš Propper, Rudolf Uher, Pavla Stopková, Tomáš Novák, Tomáš Paus, Miloslav Kopeček, Filip Španiel, Martin Alda

Notice bibliographique

RevueSchizophrenia Bulletin · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueSchizophrenia research and treatment
Établissements canadiensUniversity of TorontoDalhousie University
Organismes subventionnairesCanadian Institutes of Health ResearchDeutsche ForschungsgemeinschaftNova Scotia Health Research Foundation
Mots-clésSchizophrenia (object-oriented programming)Bipolar disorderNeuroimagingPsychologyMagnetic resonance imagingPsychosisInternal medicinePsychiatryMedicineCognition

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,299
Écart entre enseignants0,277 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations159
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSchizophrenia BulletinMême sujetSchizophrenia research and treatmentTravaux en français237 207