Neuromodulatory treatments for psychiatric disease: A comprehensive survey of the clinical trial landscape
Notice bibliographique
Résumé
BACKGROUND: Numerous neuromodulatory therapies are currently under investigation or in clinical use for the treatment of psychiatric conditions. OBJECTIVE/HYPOTHESIS: We sought to catalogue past and present human research studies on psychiatric neuromodulation and identify relevant trends in this field. METHODS: ClinicalTrials.gov (https://www.clinicaltrials.gov/) and the International Clinical Trials Registry Platform (https://www.who.int/ictrp/en/) were queried in March 2020 for trials assessing the outcome of neuromodulation for psychiatric disorders. Relevant trials were categorized by variables such as neuromodulation modality, country, brain target, publication status, design, and funding source. RESULTS: From 72,086 initial search results, 1252 unique trials were identified. The number of trials registered annually has consistently increased. Half of all trials were active and a quarter have translated to publications. The largest proportion of trials involved depression (45%), schizophrenia (18%), and substance use disorders (14%). Trials spanned 37 countries; China, the second largest contributor (13%) after the United States (28%), has increased its output substantially in recent years. Over 75% of trials involved non-convulsive non-invasive modalities (e.g., transcranial magnetic stimulation), while convulsive (e.g., electroconvulsive therapy) and invasive modalities (e.g., deep brain stimulation) were less represented. 72% of trials featured approved or cleared interventions. Characteristic inter-modality differences were observed with respect to enrollment size, trial design/phase, and funding. Dorsolateral prefrontal cortex accounted for over half of focal neuromodulation trial targets. The proportion of trials examining biological correlates of neuromodulation has increased. CONCLUSION(S): These results provide a comprehensive overview of the state of psychiatric neuromodulation research, revealing the growing scope and internationalism of this field.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,074 | 0,146 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,014 | 0,025 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 source (Gemma direct ou Codex distillé), 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 ».