MétaCan
Menu
Retour à la cohorte
Enregistrement W3143087457 · doi:10.1017/s0033291721000982

Insights into attention-deficit/hyperactivity disorder from recent genetic studies

2021· review· en· W3143087457 sur OpenAlexaff
Isabell Brikell, Christie L. Burton, Nina Roth Mota, Joanna Martin

Notice bibliographique

RevuePsychological Medicine · 2021
Typereview
Langueen
DomaineMedicine
ThématiqueAttention Deficit Hyperactivity Disorder
Établissements canadiensHospital for Sick Children
Organismes subventionnairesHorizon 2020 Framework ProgrammeWellcome TrustAmerican Academy of Child and Adolescent Psychiatry
Mots-clésAttention deficit hyperactivity disorderPsychologyPsychiatry

Résumé

récupéré en direct d'OpenAlex

Attention-deficit/hyperactivity disorder (ADHD) is a common and highly heritable neurodevelopmental disorder (NDD). In this narrative review, we summarize recent advances in quantitative and molecular genetic research from the past 5-10 years. Combined with large-scale international collaboration, these advances have resulted in fast-paced progress in understanding the etiology of ADHD and how genetic risk factors map on to clinical heterogeneity. Studies are converging on a number of key insights. First, ADHD is a highly polygenic NDD with a complex genetic architecture encompassing risk variants across the spectrum of allelic frequencies, which are implicated in neurobiological processes. Second, genetic studies strongly suggest that ADHD diagnosis shares a large proportion of genetic risks with continuously distributed traits of ADHD in the population, with shared genetic risks also seen across development and sex. Third, ADHD genetic risks are shared with those implicated in many other neurodevelopmental, psychiatric and somatic phenotypes. As sample sizes and the diversity of genetic studies continue to increase through international collaborative efforts, we anticipate further success with gene discovery, characterization of how the ADHD phenotype relates to other human traits and growing potential to use genomic risk factors for understanding clinical trajectories and for precision medicine approaches.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,990
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0060,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,194
Tête enseignante GPT0,469
Écart entre enseignants0,275 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations36
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePsychological MedicineMême sujetAttention Deficit Hyperactivity DisorderTravaux en français237 207