Developing symptom clusters: linking inflammatory biomarkers to depressive symptom profiles
Notice bibliographique
Résumé
Considering the burden of depression and the lack of efficacy of available treatments, there is a need for biomarkers to predict tailored or personalized treatments. However, identifying reliable biomarkers for depression has been challenging, likely owing to the vast symptom heterogeneity and high rates of comorbidity that exists. Examining biomarkers that map onto dimensions of depression as well as shared symptoms/constructs that cut across disorders could be most effective for informing personalized treatment approaches. With a sample of 539 young adults, we conducted a principal component analysis (PCA) followed by hierarchical cluster analysis to develop transdiagnostic clusters of depression and anxiety symptoms. We collected blood to assess whether neuroendocrine (cortisol) and inflammatory profiles (C-reactive protein (CRP), Interleukin (IL)-6, and tumor necrosis factor (TNF) - α) could be used to differentiate symptom clusters. Six distinct clusters were identified that differed significantly on symptom dimensions including somatic anxiety, general anxiety, anhedonia, and neurovegetative depression. Moreover, the neurovegetative depression cluster displayed significantly elevated CRP levels compared to other clusters. In fact, inflammation was not strongly associated with overall depression scores or severity, but rather related to specific features of depression marked by eating, appetite, and tiredness. This study emphasizes the importance of characterizing the biological underpinnings of symptom dimensions and subtypes to better understand the etiology of complex mental health disorders such as depression.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».