Transdiagnostic inflammatory subgroups among psychiatric disorders and their relevance to role functioning: a nested case-control study of the ALSPAC cohort
Notice bibliographique
Résumé
Individuals with psychotic disorders and depressive disorder exhibit altered concentrations of peripheral inflammatory markers. It has been suggested that clinical trials of anti-inflammatory therapies for psychiatric disorders should stratify patients by their inflammatory profile. Hence, we investigated whether different subgroups of individuals exist across psychiatric disorders, based on their inflammatory biomarker signatures. We measured the plasma concentrations of 17 inflammatory markers and receptors in 380 participants with psychotic disorder, depressive disorder or generalised anxiety disorder and 399 controls without psychiatric symptoms from the ALSPAC cohort at age 24. We employed a semi-supervised clustering algorithm, which discriminates multiple clusters of psychiatric disorder cases from controls. The best fit was for a two-cluster model of participants with psychiatric disorders (Adjusted Rand Index (ARI) = 0.52 ± 0.01) based on the inflammatory markers. Permutation analysis indicated the stability of the clustering solution performed better than chance (ARI = 0.43 ± 0.11; p < 0.001), and the clusters explained the inflammatory marker data better than a Gaussian distribution (p = 0.021). Cluster 2 exhibited marked increases in sTNFR1/2, suPAR, sCD93 and sIL-2RA, compared to cluster 1. Participants in the cluster exhibiting higher inflammation were less likely to be in employment, education or training, indicating poorer role functioning. This study found evidence for a novel pattern of inflammatory markers specific to psychiatric disorders and strongly associated with a transdiagnostic measure of illness severity. sTNFR1/2, suPAR, sCD93 and sIL-2RA could be used to stratify clinical trials of anti-inflammatory therapies for psychiatric disorders.
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 ».