Diagnosis of bipolar disorders and body mass index predict clustering based on similarities in cortical thickness—ENIGMA study in 2436 individuals
Notice bibliographique
Résumé
AIMS: Rates of obesity have reached epidemic proportions, especially among people with psychiatric disorders. While the effects of obesity on the brain are of major interest in medicine, they remain markedly under-researched in psychiatry. METHODS: We obtained body mass index (BMI) and magnetic resonance imaging-derived regional cortical thickness, surface area from 836 bipolar disorders (BD) and 1600 control individuals from 14 sites within the ENIGMA-BD Working Group. We identified regionally specific profiles of cortical thickness using K-means clustering and studied clinical characteristics associated with individual cortical profiles. RESULTS: We detected two clusters based on similarities among participants in cortical thickness. The lower thickness cluster (46.8% of the sample) showed thinner cortex, especially in the frontal and temporal lobes and was associated with diagnosis of BD, higher BMI, and older age. BD individuals in the low thickness cluster were more likely to have the diagnosis of bipolar disorder I and less likely to be treated with lithium. In contrast, clustering based on similarities in the cortical surface area was unrelated to BD or BMI and only tracked age and sex. CONCLUSIONS: We provide evidence that both BD and obesity are associated with similar alterations in cortical thickness, but not surface area. The fact that obesity increased the chance of having low cortical thickness could explain differences in cortical measures among people with BD. The thinner cortex in individuals with higher BMI, which was additive and similar to the BD-associated alterations, may suggest that treating obesity could lower the extent of cortical thinning in BD.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 ».