Unraveling robust brain-behavior links of depressive complaints through granular network models for understanding heterogeneity
Notice bibliographique
Résumé
BACKGROUND: Depressive symptoms are highly prevalent, present in heterogeneous symptom patterns, and share diverse neurobiological underpinnings. Understanding the links between psychopathological symptoms and biological factors is critical in elucidating its etiology and persistence. We aimed to evaluate the utility of using symptom-brain network models to parse the heterogeneity of depressive complaints in a large adolescent sample. METHODS: We used data from the third wave of the IMAGEN study, a multi-center panel cohort study involving 1317 adolescents (52.49 % female, mean ± SD age = 18.5 ± 0.7). Two network models were estimated: one including an overall depressive symptom severity sum score based on the Adolescent Depression Rating Scale (ADRS), and one incorporating individual ADRS item scores. Both networks included measures of cortical thickness in several regions (insula, cingulate, mOFC, fusiform gyrus) and hippocampal volume derived from neuroimaging. RESULTS: The network based on individual item scores revealed associations between cortical thickness measures and specific depressive complaints, obscured when using an aggregate depression severity score. Notably, the insula's cortical thickness showed negative associations with cognitive dysfunction (partial cor. = -0.15); the cingulate's cortical thickness showed negative associations with feelings of worthlessness (partial cor. = -0.10), and mOFC was negatively associated with anhedonia (partial cor. = -0.05). LIMITATIONS: This cross-sectional study relied on the self-reported assessment of depression complaints and used a non-clinical sample with predominantly healthy participants (19 % with depression or sub-threshold depression). CONCLUSIONS: This study showcases the utility of network models in parsing heterogeneity in depressive complaints, linking individual complaints to specific neural substrates. We outline the next steps to integrate neurobiological and cognitive markers to unravel MDD's phenotypic heterogeneity.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».