History of withdrawal modulates drug- and food-cue reactivity in cocaine dependent participants
Notice bibliographique
Résumé
While the centrality of withdrawal in the diagnosis of addiction has been decreasing with each successive edition of the Diagnostic and Statistical Manual of Mental Disorders, psychometric and neurobiological evidence provides withdrawal a central role in the development and maintenance of addiction. The current study offers insight into these conflicting positions by using secondary analyses to assess how a history of DSM-assessed withdrawal influences the magnitude of bias in neural reactivity to drug- and/or food-related reward cues. To this end, we separated an existing sample of cocaine-dependent participants (Denomme et al., 2018) into those with (WD) and without (N-WD) a history of withdrawal, and compared food- and drug-cue reactivity between these groups, and to a non-dependent control group (ND). Analyses indicated that biases in neural reactivity towards drug- versus food-related cues only occurred among the WD participants (within: left dorsomedial prefrontal cortex, left anterior cingulate cortex, left orbitofrontal cortex, left caudate nucleus, and right ventrolateral prefrontal cortex). Thus, withdrawal status may be an important factor to consider when interpreting dependence-related biases in neural reactivity following reward-related cues. Interestingly, while N-WD participants did not show these broad biases in neural reactivity, the magnitude of their bias correlated positively with years of lifetime substance use history, particularly when psychopathic traits were low. It may be that for individuals who's addiction has not yet reached a compulsive state (see Wise and Koob, 2014), the magnitude of their drug > food bias could serve as a valuable biomarker of addiction severity.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».