The functional connectome in obsessive-compulsive disorder: resting-state mega-analysis and machine learning classification for the ENIGMA-OCD consortium
Notice bibliographique
Résumé
Current knowledge about functional connectivity in obsessive-compulsive disorder (OCD) is based on small-scale studies, limiting the generalizability of results. Moreover, the majority of studies have focused only on predefined regions or functional networks rather than connectivity throughout the entire brain. Here, we investigated differences in resting-state functional connectivity between OCD patients and healthy controls (HC) using mega-analysis of data from 1,024 OCD patients and 1,028 HC from 28 independent samples of the ENIGMA-OCD consortium. We assessed group differences in whole-brain functional connectivity at both the regional and network level, and investigated whether functional connectivity could serve as biomarker to identify patient status at the individual level using machine learning analysis. The mega-analyses revealed widespread abnormalities in functional connectivity in OCD, with global hypo-connectivity (Cohen’s d: -0.27 to -0.13) and few hyper-connections, mainly with the thalamus (Cohen’s d: 0.19 to 0.22). Most hypo-connections were located within the sensorimotor network and no fronto-striatal abnormalities were found. Overall, classification performances were poor, with area-under-the-receiver-operating-characteristic curve (AUC) scores ranging between 0.567 and 0.673, with better classification for medicated (AUC=0.702) than unmedicated (AUC=0.608) patients versus healthy controls. These findings provide partial support for existing pathophysiological models of OCD and highlight the important role of the sensorimotor network in OCD. However, resting-state connectivity does not so far provide an accurate biomarker for identifying patients at the individual level.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».