The association of blood biomarkers with cerebral white matter and myelin content in bipolar disorder: A systematic review
Notice bibliographique
Résumé
OBJECTIVES: Evidence from diffusion tensor imaging (DTI) and postmortem studies has demonstrated white-matter (WM) deficits in bipolar disorder (BD). Changes in peripheral blood biomarkers have also been observed; however, studies evaluating the potential relationship between brain alterations and the periphery are scarce. The objective of this systematic review is to investigate the relationship between blood-based biomarkers and WM in BD. METHODS: PubMed, Embase, and PsycINFO were used to conduct literature searches. Cross-sectional or longitudinal studies reporting original data which investigated both a blood-based biomarker and WM (by neuroimaging) in BD were included. RESULTS: Of 3,750 studies retrieved, 23 were included. Several classes of biomarkers were found to have a significant relationship with WM in BD. These included cytokines and growth factors (interleukin-8 [IL-8], tumor necrosis factor alpha [TNF-a], and insulin-like growth factor binding protein 3 [IGFBP-3]), innate immune system (natural killer cells [NK]), metabolic markers (lipid hydroperoxidase, cholesterol, triglycerides), the kynurenine (Kyn) pathway (5-hydroxyindoleacetic acid, kynurenic acid [Kyna]), and various gene polymorphisms (serotonin-transporter-linked promoter region). CONCLUSION: This systematic review revealed that blood-based biomarkers are associated with markers of WM deficits observed in BD. Longitudinal studies investigating the potential clinical utility of these specific biomarkers are encouraged.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».