MétaCan
Menu
Retour à la cohorte
Enregistrement W2964175815 · doi:10.1002/hbm.24725

A multivariate neuroimaging biomarker of individual outcome to transcranial magnetic stimulation in depression

2019· article· en· W2964175815 sur OpenAlexafffund
Robin Cash, Luca Cocchi, Rodney Anderson, Anton Rogachov, Aaron Kucyi, Alexander J. Barnett, Andrew Zalesky, Paul B. Fitzgerald

Notice bibliographique

RevueHuman Brain Mapping · 2019
Typearticle
Langueen
DomaineNeuroscience
ThématiqueTranscranial Magnetic Stimulation Studies
Établissements canadiensOntario Brain InstituteToronto Western HospitalUniversity of Toronto
Organismes subventionnairesNational Health and Medical Research CouncilCognitive Neuroscience SocietyMedical Research Council CanadaSociety for NeuroscienceBrainsWayCanadian Institutes of Health ResearchMagVenture
Mots-clésMajor depressive disorderDorsolateral prefrontal cortexNeuroimagingPsychologyTranscranial magnetic stimulationPrefrontal cortexFunctional magnetic resonance imagingDefault mode networkNeuroscienceAntidepressantMedicineStimulationHippocampusCognition

Résumé

récupéré en direct d'OpenAlex

The neurobiology of major depressive disorder (MDD) remains incompletely understood, and many individuals fail to respond to standard treatments. Repetitive transcranial magnetic stimulation (rTMS) of the dorsolateral prefrontal cortex (DLPFC) has emerged as a promising antidepressant therapy. However, the heterogeneity of response underscores a pressing need for biomarkers of treatment outcome. We acquired resting state functional magnetic resonance imaging (rsfMRI) data in 47 MDD individuals prior to 5-8 weeks of rTMS treatment targeted using the F3 beam approach and in 29 healthy comparison subjects. The caudate, prefrontal cortex, and thalamus showed significantly lower blood oxygenation level-dependent (BOLD) signal power in MDD individuals at baseline. Critically, individuals who responded best to treatment were associated with lower pre-treatment BOLD power in these regions. Additionally, functional connectivity (FC) in the default mode and affective networks was associated with treatment response. We leveraged these findings to train support vector machines (SVMs) to predict individual treatment responses, based on learned patterns of baseline FC, BOLD signal power and clinical features. Treatment response (responder vs. nonresponder) was predicted with 85-95% accuracy. Reduction in symptoms was predicted to within a mean error of ±16% (r = .68, p < .001). These preliminary findings suggest that therapeutic outcome to DLPFC-rTMS could be predicted at a clinically meaningful level using only a small number of core neurobiological features of MDD, warranting prospective testing to ascertain generalizability. This provides a novel, transparent and physiologically plausible multivariate approach for classification of individual response to what has become the most commonly employed rTMS treatment worldwide. This study utilizes data from a larger clinical study (Australian New Zealand Clinical Trials Registry: Investigating Predictors of Response to Transcranial Magnetic Stimulation for the Treatment of Depression; ACTRN12610001071011; https://www.anzctr.org.au/Trial/Registration/TrialReview.aspx?id=336262).

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)0,001
score de la tête « metaresearch » (Gemma)0,004
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 enseignants0,001
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,096
Tête enseignante GPT0,337
Écart entre enseignants0,240 · 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

Citations69
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHuman Brain MappingMême sujetTranscranial Magnetic Stimulation StudiesTravaux en français237 207