Impulsivity moderates the effects of dopamine D2 and mixed D1–D2 antagonists in individuals with gambling disorder
Notice bibliographique
Résumé
BACKGROUND: The functional role of dopamine D1 and D2 receptors in gambling disorder (GD) remains unclear. AIMS: This study aimed to investigate the role of D1 activation and the moderating effects of impulsivity, a trait linked with weaker D2-mediated inhibition of dopamine release, in GD subjects. METHODS: Thirty (nine female) non-comorbid GD subjects with low (LI), moderate (MI), or high impulsivity (HI) received the preferential D2 antagonist haloperidol (HAL; 3 mg) or the mixed D1-D2 antagonist fluphenazine (FLU; 3 mg), on separate sessions before a 15-minute slot machine game or amphetamine (AMPH; 20 mg), in a placebo-controlled, double-blind, counterbalanced design. RESULTS: On their own, HAL and FLU led to linear increases and decreases, respectively, in desire to gamble across increasing levels of impulsivity. The slot machine and AMPH each evoked an inverted-U pattern of desire to gamble across increasing impulsivity. HAL reversed this effect of the game, whereas FLU did not alter post-game desire. HAL and FLU decreased and increased psychostimulant-like effects of the game, respectively, in LI and MI subjects, but consistently reduced these effects in HI subjects. HAL also altered the salience of negative affective words on a reading task, such that greater salience of negative words coincided with lower post-game desire to gamble. CONCLUSIONS: D1 receptors appear to gauge the incentive value of gambling in GD subjects. D1 activation has negative reinforcing effects in HI gamblers and positive reinforcing effects in LI gamblers. Medications that activate D1 could curtail chasing in HI gamblers. D1 blockade could benefit HI gamblers whose main concern is craving.
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) | 0,001 | 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 ».