Weight gain as a risk factor for progressive neurochemical abnormalities in first episode mania patients: a longitudinal magnetic resonance spectroscopy study
Notice bibliographique
Résumé
Abstract Background We previously reported that bipolar disorder (BD) patients with clinically significant weight gain (CSWG; ⩾7% of baseline weight) in the 12 months after their first manic episode experienced greater limbic brain volume loss than patients without CSWG. It is unknown whether CSWG is also a risk factor for progressive neurochemical abnormalities. Methods We investigated whether 12-month CSWG predicted greater 12-month decreases in hippocampal N -acetylaspartate (NAA) and greater increases in glutamate + glutamine (Glx) following a first manic episode. In BD patients ( n = 58) and healthy comparator subjects (HS; n = 34), we measured baseline and 12-month hippocampal NAA and Glx using bilateral 3-Tesla single-voxel proton magnetic resonance spectroscopy. We used general linear models for repeated measures to investigate whether CSWG predicted neurochemical changes. Results Thirty-three percent of patients and 18% of HS experienced CSWG. After correcting for multiple comparisons, CSWG in patients predicted a greater decrease in left hippocampal NAA (effect size = −0.52, p = 0.005). CSWG also predicted a greater decrease in left hippocampal NAA in HS with a similar effect size (−0.53). A model including patients and HS found an effect of CSWG on Δleft NAA ( p = 0.007), but no diagnosis effect and no diagnosis × CSWG interaction, confirming that CSWG had similar effects in patients and HS. Conclusion CSWG is a risk factor for decreasing hippocampal NAA in BD patients and HS. These results suggest that the well-known finding of reduced NAA in BD may result from higher body mass index in patients rather than BD diagnosis.
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) | 0,001 | 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) | 0,002 | 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 ».