Disentangling craving‐ and valence‐related brain responses to smoking cues in individuals with nicotine use disorder
Notice bibliographique
Résumé
Tobacco smoking is one of the leading causes of preventable death and disease worldwide. Most smokers want to quit, but relapse rates are high. To improve current smoking cessation treatments, a better understanding of the underlying mechanisms of nicotine dependence and related craving behaviour is needed. Studies on cue-driven cigarette craving have been a particularly useful tool for investigating the neural mechanisms of drug craving. Here, functional neuroimaging studies in humans have identified a core network of craving-related brain responses to smoking cues that comprises of amygdala, anterior cingulate cortex, orbitofrontal cortex, posterior cingulate cortex and ventral striatum. However, most functional Magnetic Resonance Imaging (fMRI) cue-reactivity studies do not adjust their stimuli for emotional valence, a factor assumed to confound craving-related brain responses to smoking cues. Here, we investigated the influence of emotional valence on key addiction brain areas by disentangling craving- and valence-related brain responses with parametric modulators in 32 smokers. For one of the suggested key regions for addiction, the amygdala, we observed significantly stronger brain responses to the valence aspect of the presented images than to the craving aspect. Our results emphasize the need for carefully selecting stimulus material for cue-reactivity paradigms, in particular with respect to emotional valence. Further, they can help designing future research on teasing apart the diverse psychological dimensions that comprise nicotine dependence and, therefore, can lead to a more precise mapping of craving-associated brain areas, an important step towards more tailored smoking cessation treatments.
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) | 0,000 | 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) | 0,000 | 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 ».