Probing the clinical and brain structural boundaries of bipolar and major depressive disorder
Notice bibliographique
Résumé
Bipolar disorder (BD) and major depressive disorder (MDD) have both common and distinct clinical features, that pose both conceptual challenges in terms of their diagnostic boundaries and practical difficulties in optimizing treatment. Multivariate machine learning techniques offer new avenues for exploring these boundaries based on clinical neuroanatomical features. Brain structural data were obtained at 3 T from a sample of 90 patients with BD, 189 patients with MDD, and 162 healthy individuals. We applied sparse partial least squares discriminant analysis (s-PLS-DA) to identify clinical and brain structural features that may discriminate between the two clinical groups, and heterogeneity through discriminative analysis (HYDRA) to detect patient subgroups with reference to healthy individuals. Two clinical dimensions differentiated BD from MDD (area under the curve: 0.76, P < 0.001); one dimension emphasized disease severity as well as irritability, agitation, anxiety and flight of ideas and the other emphasized mostly elevated mood. Brain structural features could not distinguish between the two disorders. HYDRA classified patients in two clusters that differed in global and regional cortical thickness, the distribution proportion of BD and MDD and positive family history of psychiatric disorders. Clinical features remain the most reliable discriminant attributed of BD and MDD depression. The brain structural findings suggests that biological partitions of patients with mood disorders are likely to lead to the identification of subgroups, that transcend current diagnostic divisions into BD and MDD and are more likely to be aligned with underlying genetic variation. These results set the foundation for future studies to enhance our understanding of brain-behavior relationships in mood disorders.
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 | 0,000 |
| 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 ».