Predicting PTSD severity using longitudinal magnetoencephalography with a multi-step learning framework
Notice bibliographique
Résumé
Abstract Objective . The present study explores the effectiveness of incorporating temporal information in predicting post-traumatic stress disorder (PTSD) severity using magnetoencephalography (MEG) imaging data. The main objective was to assess the relationship between longitudinal MEG functional connectome data, measured across a variety of neural oscillatory frequencies and collected at two timepoints (Phase I and II), against PTSD severity captured at the later time point. Approach . We used an in-house developed informatics solution, featuring a two-step process featuring pre-learn feature selection (CV-SVR-rRF-FS, cross-validation with support vector regression (SVR) and recursive random forest feature selection) and deep learning (long-short term memory recurrent neural network, LSTM-RNN) techniques. Main results . The pre-learn step selected a small number of functional connections (or edges) from Phase I MEG data associated with Phase II PTSD severity, indexed using the PTSD CheckList (PCL) score. This strategy identified the functional edges affected by traumatic exposure and indexed disease severity, either permanently or evolving dynamically over time, for optimal predictive performance. Using the selected functional edges, LSTM modelling was used to incorporate the Phase II MEG data into longitudinal regression models. Single timepoint (Phase I and Phase II MEG data) SVR models were generated for comparison. Assessed with holdout test data, alpha and high gamma bands showed enhanced predictive performance with the longitudinal models comparing to the Phase I single timepoint models. The best predictive performance was observed for lower frequency ranges compared to the higher frequencies (low gamma), for both model types. Significance . This study identified the neural oscillatory signatures that benefited from additional temporal information when estimating the outcome of PTSD severity using MEG functional connectome data. Crucially, this approach can similarly be applied to any other mental health challenge, using this effective informatics foundation for longitudinal tracking of pathological brain states and predicting outcome with a MEG-based neurophysiology imaging system.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».