Multimodal workflows optimally predict response to repetitive transcranial magnetic stimulation in patients with schizophrenia: a multisite machine learning analysis
Notice bibliographique
Résumé
The response variability to repetitive transcranial magnetic stimulation (rTMS) challenges the effective use of this treatment option in patients with schizophrenia. This variability may be deciphered by leveraging predictive information in structural MRI, clinical, sociodemographic, and genetic data using artificial intelligence. We developed and cross-validated rTMS response prediction models in patients with schizophrenia drawn from the multisite RESIS trial. The models incorporated pre-treatment sMRI, clinical, sociodemographic, and polygenic risk score (PRS) data. Patients were randomly assigned to receive active (N = 45) or sham (N = 47) rTMS treatment. The prediction target was individual response, defined as ≥20% reduction in pre-treatment negative symptom sum scores of the Positive and Negative Syndrome Scale. Our multimodal sequential prediction workflow achieved a balanced accuracy (BAC) of 94% (non-responders: 92%, responders: 95%) in the active-treated group and 50% in the sham-treated group. The clinical, clinical + PRS, and sMRI-based classifiers yielded BACs of 65%, 76%, and 80%, respectively. Apparent sadness, inability to feel, educational attainment PRS, and unemployment were most predictive of non-response in the clinical + PRS model, while grey matter density reductions in the default mode, limbic networks, and the cerebellum were most predictive in the sMRI model. Our sequential modelling approach provided superior predictive performance while minimising the diagnostic burden in the clinical setting. Predictive patterns suggest that rTMS responders may have higher levels of brain grey matter in the default mode and salience networks which increases their likelihood of profiting from plasticity-inducing brain stimulation methods, such as rTMS. The future clinical implementation of our models requires findings to be replicated at the international scale using stratified clinical trial designs.
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 | 0,001 | 0,003 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».