Central markers of neuroinflammation in alcohol use disorder: A meta‐analysis of neuroimaging, cerebral spinal fluid, and postmortem studies
Notice bibliographique
Résumé
Abstract Introduction and aims There is emerging evidence that heavy long‐term alcohol consumption may alter the neuroimmune profile. We conducted a meta‐analysis of the association between alcohol use disorder (AUD) and the extent of neuroinflammation using cerebrospinal (CSF), PET (Positron Emission Tomography), and postmortem studies. Design and methods A comprehensive search of electronic databases was conducted using the Preferred Reporting Items for Systematic Review and Meta‐Analysis Protocols (PRISMA‐P) for AUD‐related terms in combination with neuroinflammatory markers and cytokine‐ and chemokine‐related terms for CSF, PET, and postmortem studies. Participants had to meet established criteria for AUD and/or heavy alcohol consumption with dependence features and be compared with healthy controls. Papers retrieved were assessed for inclusion criteria and a critical appraisal was completed using the Newcastle‐Ottawa Scale. A meta‐analysis was conducted on postmortem and PET studies. Results Eleven papers met the inclusion criteria with CSF, PET, and postmortem studies included in the final analysis. Postmortem studies demonstrate significant heterogeneity (𝑄 (14) = 62.02, 𝑝 < 0.001), with the alcohol group showing higher levels of neuroimmune markers than controls (𝑑 = 1.50 [95% CI 0.56, 2.45]). PET studies demonstrated a lower [ 11 C] PBR28 total volume of distribution ( V T ) for translocator protein in the hippocampus ( g = −1.95 [95% CI −2.72, −1.18], p < 0.001) of the alcohol group compared to controls. Conclusion There is emerging evidence across multiple diagnostic modalities that alcohol impacts neuroimmune signaling in the human brain.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».