MétaCan
Menu
Retour à la cohorte
Enregistrement W3183394006 · doi:10.1093/brain/awab284

Structuro-functional surrogates of response to subcallosal cingulate deep brain stimulation for depression

2021· article· en· W3183394006 sur OpenAlexaff
Gavin J.B. Elias, Jürgen Germann, Alexandre Boutet, Aditya Pancholi, Michelle E. Beyn, Kartik Bhatia, Clemens Neudorfer, Aaron Loh, Sakina J. Rizvi, Venkat Bhat, Peter Giacobbe, D. Blake Woodside, Sidney H. Kennedy, Andrés M. Lozano

Notice bibliographique

RevueBrain · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueNeurological disorders and treatments
Établissements canadiensHealth Sciences CentreSunnybrook Health Science CentreSt. Michael's HospitalKrembil FoundationUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésCingulate cortexAnterior cingulate cortexDeep brain stimulationWhite matterPsychologyMedicineNeuroscienceInternal medicineMagnetic resonance imagingRadiologyCognitionCentral nervous system

Résumé

récupéré en direct d'OpenAlex

Subcallosal cingulate deep brain stimulation produces long-term clinical improvement in approximately half of patients with severe treatment-resistant depression. We hypothesized that both structural and functional brain attributes may be important in determining responsiveness to this therapy. In a treatment-resistant depression subcallosal cingulate deep brain stimulation cohort, we retrospectively examined baseline and longitudinal differences in MRI-derived brain volume (n = 65) and 18F-fluorodeoxyglucose-PET glucose metabolism (n = 21) between responders and non-responders. Support vector machines were subsequently trained to classify patients' response status based on extracted baseline imaging features. A machine learning model incorporating preoperative frontopolar, precentral/frontal opercular and orbitofrontal local volume values classified binary response status (12 months) with 83% accuracy [leave-one-out cross-validation (LOOCV): 80% accuracy] and explained 32% of the variance in continuous clinical improvement. It was also predictive in an out-of-sample subcallosal cingulate deep brain stimulation cohort (n = 21) with differing primary indications (bipolar disorder/anorexia nervosa; 76% accuracy). Adding preoperative glucose metabolism information from rostral anterior cingulate cortex and temporal pole improved model performance, enabling it to predict response status in the treatment-resistant depression cohort with 86% accuracy (LOOCV: 81% accuracy) and explain 67% of clinical variance. Response-related patterns of metabolic and structural post-deep brain stimulation change were also observed, especially in anterior cingulate cortex and neighbouring white matter. Areas where responders differed from non-responders-both at baseline and longitudinally-largely overlapped with depression-implicated white matter tracts, namely uncinate fasciculus, cingulum bundle and forceps minor/rostrum of corpus callosum. The extent of patient-specific engagement of these same tracts (according to electrode location and stimulation parameters) also served as an independent predictor of treatment-resistant depression response status (72% accuracy; LOOCV: 70% accuracy) and augmented performance of the volume-based (88% accuracy; LOOCV: 82% accuracy) and combined volume/metabolism-based support vector machines (100% accuracy; LOOCV: 94% accuracy). Taken together, these results indicate that responders and non-responders to subcallosal cingulate deep brain stimulation exhibit differences in brain volume and metabolism, both pre- and post-surgery. Moreover, baseline imaging features predict response to treatment (particularly when combined with information about local tract engagement) and could inform future patient selection and other clinical decisions.

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)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,795
Score d'incertitude au seuil0,315

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,299
Écart entre enseignants0,277 · 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; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations46
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBrainMême sujetNeurological disorders and treatmentsTravaux en français237 207