Obesity as a Risk Factor for Accelerated Brain Ageing in First-Episode Psychosis—A Longitudinal Study
Notice bibliographique
Résumé
BACKGROUND: Obesity is highly prevalent in schizophrenia, with implications for psychiatric prognosis, possibly through links between obesity and brain structure. In this longitudinal study in first episode of psychosis (FEP), we used machine learning and structural magnetic resonance imaging (MRI) to study the impact of psychotic illness and obesity on brain ageing/neuroprogression shortly after illness onset. METHODS: We acquired 2 prospective MRI scans on average 1.61 years apart in 183 FEP and 155 control individuals. We used a machine learning model trained on an independent sample of 504 controls to estimate the individual brain ages of study participants and calculated BrainAGE by subtracting chronological from the estimated brain age. RESULTS: Individuals with FEP had a higher initial BrainAGE than controls (3.39 ± 6.36 vs 1.72 ± 5.56 years; β = 1.68, t(336) = 2.59, P = .01), but similar annual rates of brain ageing over time (1.28 ± 2.40 vs 1.07±1.74 estimated years/actual year; t(333) = 0.93, P = .18). Across both cohorts, greater baseline body mass index (BMI) predicted faster brain ageing (β = 0.08, t(333) = 2.59, P = .01). For each additional BMI point, the brain aged by an additional month per year. Worsening of functioning over time (Global Assessment of Functioning; β = -0.04, t(164) = -2.48, P = .01) and increases especially in negative symptoms on the Positive and Negative Syndrome Scale (β = 0.11, t(175) = 3.11, P = .002) were associated with faster brain ageing in FEP. CONCLUSIONS: Brain alterations in psychosis are manifest already during the first episode and over time get worse in those with worsening clinical outcomes or higher baseline BMI. As baseline BMI predicted faster brain ageing, obesity may represent a modifiable risk factor in FEP that is linked with psychiatric outcomes via effects on brain structure.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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 ».