Personalized Estimates of Brain Structural Variability in Individuals With Early Psychosis
Notice bibliographique
Résumé
BACKGROUND: Early psychosis in first-episode psychosis (FEP) and clinical high-risk (CHR) individuals has been associated with alterations in mean regional measures of brain morphology. Examination of variability in brain morphology could assist in quantifying the degree of brain structural heterogeneity in clinical relative to healthy control (HC) samples. METHODS: Structural magnetic resonance imaging data were obtained from CHR (n = 71), FEP (n = 72), and HC individuals (n = 55). Regional brain variability in cortical thickness (CT), surface area (SA), and subcortical volume (SV) was assessed with the coefficient of variation (CV). Furthermore, the person-based similarity index (PBSI) was employed to quantify the similarity of CT, SA, and SV profile of each individual to others within the same diagnostic group. Normative modeling of the PBSI-CT, PBSI-SA, and PBSI-SV was used to identify CHR and FEP individuals whose scores deviated markedly from those of the healthy individuals. RESULTS: There was no effect of diagnosis on the CV for any regional measure (P > .38). CHR and FEP individuals differed significantly from the HC group in terms of PBSI-CT (P < .0001), PBSI-SA (P < .0001), and PBSI-SV (P = .01). In the clinical groups, normative modeling identified 32 (22%) individuals with deviant PBSI-CT, 12 (8.4%) with deviant PBSI-SA, and 21 (15%) with deviant PBSI-SV; differences of small effect size indicated that individuals with deviant PBSI scores had lower IQ and higher psychopathology. CONCLUSIONS: Examination of brain structural variability in early psychosis indicated heterogeneity at the level of individual profiles and encourages further large-scale examination to identify individuals that deviate markedly from normative reference data.
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 | 0,017 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».