Decreased integration of the frontoparietal network during a working memory task in major depressive disorder
Notice bibliographique
Résumé
BACKGROUND: Working memory deficits are a common feature in major depressive disorder and are associated with poor functional outcomes. Intact working memory performance requires the recruitment of large-scale brain networks. However, it is unknown how the disrupted recruitment of distributed regions belonging to these large-scale networks at the whole-brain level brings about working memory impairment seen in major depressive disorder. METHODS: We used graph theory to examine the functional connectomic metrics (local and global efficiency) at the whole-brain and large-scale network levels in 38 patients with major depressive disorder and 41 healthy controls during a working memory task. Altered connectomic metrics were studied in a moderation model relating to clinical symptoms and working memory accuracy in patients, and a machine learning method was employed to assess whether these metrics carry enough illness-specific information to discriminate patients from controls. RESULTS: =-2.2, 95% confidence interval = [-0.043,-0.002]). We achieved a classification accuracy and area under the curve of 73.42% and 0.734, respectively, to discriminate patients from controls based on connectomic metrics, and the global efficiency of the frontoparietal network contributed most to the diagnostic classification. CONCLUSIONS: We report a putative mechanistic link between the global efficiency of the frontoparietal network and impaired n-back performance in major depressive disorder. This relationship is more pronounced at lower levels of symptom burden, indicating the possibility of multiple pathways to cognitive deficits in severe major depressive disorder.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».