Cardiovascular variations in patients with major depressive disorder versus bipolar disorder
Notice bibliographique
Résumé
BACKGROUND: Differentiating depression in major depressive disorder and bipolar disorder is challenging in clinical practice. Therefore, reliable biomarkers are urgently needed to differentiate between these diseases. This study's main objective was to assess whether cardiac autonomic function can distinguish patients with unipolar depression (UD), bipolar depression (BD), and bipolar mania (BM). METHODS: We recruited 791 patients with mood disorders, including 191 with UD, 286 with BD, and 314 with BM, who had been drug free for at least 2 weeks. Cardiovascular status was measured using heart rate variability (HRV) and pulse wave velocity (PWV) indicators via finger photoplethysmography during a 5-min rest period. RESULTS: Patients with BD showed lower HRV but higher heart rates than those with UD and BM. The PWV indicators were lower in the UD group than in the bipolar disorder group. The covariates of age, sex, and body mass index affected the cardiovascular characteristics. After adjusting for covariates, the HRV and PWV variations among the three groups remained significant. Comparisons between the UD and BD groups showed that the variable with the largest effect size was the frequency-domain indices of HRV, very low and high frequency, followed by heart rate. The area under the receiver operating characteristic curve (AUC) for each cardiovascular variable ranged from 0.661 to 0.714. The High-frequency index reached the highest AUC. LIMITATIONS: Cross-sectional design and the magnitude of heterogeneity across participants with mood disorders limited our findings. CONCLUSION: Patients with BD, but not BM, had a greater extent of cardiac imbalance than those with UD. Thus, HRV may serve as a psychophysiological biomarker for the differential diagnosis of UD and BD.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».