Connectomic Underpinnings of Working Memory Deficits in Schizophrenia: Evidence From a replication fMRI study
Notice bibliographique
Résumé
BACKGROUND: Working memory (WM) deficit is a key feature of schizophrenia that relates to a generalized neural inefficiency of extensive brain areas. To date, it remains unknown how these distributed regions are systemically organized at the connectome level and how the disruption of such organization brings about the WM impairment seen in schizophrenia. METHODS: We used graph theory to examine the neural efficiency of the functional connectome in different granularity in 155 patients with schizophrenia and 96 healthy controls during a WM task. These analyses were repeated in another independent dataset (81 patients and 54 controls). Linear regression analysis was used to test associations of altered graph properties, clinical symptoms, and WM accuracy in patients. A machine-learning approach was adopted to study the ability of multivariate connectome features from one dataset to discriminate patients from controls in the second dataset. RESULTS: Small-worldness of the whole-brain connectome was significantly increased in schizophrenia during the WM task; this increase is related to better (though subpar) WM accuracy in patients with more severe negative symptom burden. There was a shift in the degree distribution to a more homogeneous form in patients. The machine-learning approach classified a new set of patients from controls with 84.3% true-positivity rate for schizophrenia and 71.6% overall accuracy. CONCLUSIONS: We demonstrate a putative mechanistic link between connectome topology, hub redistribution, and impaired n-back performance in schizophrenia. The task-dependent modulation of the connectome relates to, but remains inefficient in, improving the performance above par in the presence of severe negative symptoms.
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 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 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 ».