MétaCan
Menu
← Retour à la cohorte
Enregistrement W4310092550 · doi:10.1371/journal.pone.0277211

Investigating the effects of antipsychotics on brain insulin action: Study protocol for a multi-modality magnetic resonance imaging (MRI) study in healthy controls

2022· article· en· W4310092550 sur OpenAlexafffund
Nicolette Stogios, Laurie Hamel, Emily R. Smith, Marcos Sanches, Gary Remington, Aristotle N. Voineskos, Satya Dash, Ariel Graff‐Guerrero, Margaret Hahn, Sri Mahavir Agarwal

Notice bibliographique

RevuePLoS ONE · 2022
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeuroscience and Neuropharmacology Research
Établissements canadiensToronto General HospitalUniversity Health NetworkDiabetes CanadaUniversity of TorontoCentre for Addiction and Mental Health
Organismes subventionnairesNational Institute of Mental HealthCentre for Addiction and Mental Health FoundationCanadian Institutes of Health ResearchNovo NordiskDanish Diabetes AcademyUniversity of TorontoCanada Foundation for InnovationPhysicians' Services Incorporated FoundationDepartment of Psychiatry, University of TorontoBanting and Best Diabetes Centre, University of TorontoNeurocrine BiosciencesHLS Therapeutics
Mots-clésInsulin resistanceFunctional magnetic resonance imagingMedicineInsulinDorsolateral prefrontal cortexNeuroimagingPrefrontal cortexNeuroscienceMagnetic resonance imagingInsulin receptorGlutamate receptorInternal medicineEndocrinologyPsychologyCognitionReceptor

Résumé

récupéré en direct d'OpenAlex

Antipsychotics (APs) are the cornerstone of treatment for schizophrenia (SCZ) but are unfortunately associated with serious metabolic adverse effects including weight gain and type 2 diabetes. The pathophysiology of AP-induced metabolic dysfunction is largely undetermined. Brain insulin resistance has been posited to be at the cross-roads of many cognitive and metabolic disorders, and disruption of central insulin action has emerged as a possible explanatory mechanism underlying AP induced metabolic dysfunction. Previous studies suggest that change in neuroimaging-based parameters with intranasal insulin administration can be leveraged to investigate brain insulin resistance. In this proof-of-concept study, we will utilize neural signatures of insulin action in the brain to examine if APs disrupt brain insulin signaling. It is hypothesized that: 1) intranasal insulin (INI), but not intranasal placebo (INP), will change cerebral blood flow and resting state connectivity, as well as increase glutamate levels in the striatum and dorsolateral prefrontal cortex; 2) oral olanzapine (OLA), but not oral placebo (PL), will inhibit the effect of INI on these parameters. Thirty-two healthy volunteers will undergo a single blind, cross-over design, wherein all participants receive the following four treatment combinations, 2-6 weeks apart, in a random sequence: INP + PL, INP + OLA, INI + PL, and INI + OLA. Participants will undergo an MRI-based assay of brain insulin resistance 15 minutes after administering 160 IU INI or INP. The scanning protocol includes resting and task-based functional MRI, arterial spin labelling, and proton magnetic resonance spectroscopy. Demonstrating that OLA can acutely induce brain insulin resistance is clinically relevant to metabolic health in SCZ. Evidence of brain insulin resistance induced by acute AP dosing can inform the early use of adjunctive insulin sensitizers for the treatment of metabolic comorbidities associated with AP treatment in severe mental illness. Trial registration ClinicalTrials.gov Registration: NCT03741478.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Protocole · Signal consensuel: Protocole
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,078

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,005
Méta-épidémiologie (sens strict)0,0040,002
Méta-épidémiologie (sens large)0,0050,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,002
Communication savante0,0010,001
Science ouverte0,0030,001
Intégrité de la recherche0,0040,004
Charge utile insuffisante (le modèle a refusé de juger)0,0230,007

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.

Tête enseignante Opus0,219
Tête enseignante GPT0,444
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreProtocole

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePLoS ONE→Même sujetNeuroscience and Neuropharmacology Research→Travaux en français237 207→