Improving treatment outcomes for borderline personality disorder: what can we learn from biomarker studies of psychotherapy?
Notice bibliographique
Résumé
PURPOSE OF REVIEW: Borderline personality disorder (BPD) is a severe and common psychiatric disorder and though evidence-based psychotherapies are effective, rates of treatment nonresponse are as high as 50%. Treatment studies may benefit from interdisciplinary approaches from neuroscience and genetics research that could generate novel insights into treatment mechanisms and tailoring interventions to the individual. RECENT FINDINGS: We provide a timely update to the small but growing body of literature investigating neurobiological and epigenetic changes and using biomarkers to predict outcomes from evidence-based psychotherapies for BPD. Using a rapid review methodology, we identified eight new studies, updating our earlier 2018 systematic review. Across all studies, neuroimaging ( n = 18) and genetics studies ( n = 4) provide data from 735 participants diagnosed with BPD (mean sample size across studies = 33.4, range 2-115). SUMMARY: We report further evidence for psychotherapy-related alterations of neural activation and connectivity in regions and networks relating to executive control, emotion regulation, and self/interpersonal functioning in BPD. Emerging evidence also shows epigenetic changes following treatment. Future large-scale multisite studies may help to delineate multilevel treatment targets to inform intervention design, selection, and monitoring for the individual patient via integration of knowledge generated through clinical, neuroscience, and genetics research.
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 | 0,006 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,004 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 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 ».