Mega‐analysis of the brain‐age gap in substance use disorder: An ENIGMA Addiction working group study
Notice bibliographique
Résumé
BACKGROUND AND AIMS: The brain age gap (BAG), calculated as the difference between a machine learning model-based predicted brain age and chronological age, has been increasingly investigated in psychiatric disorders. Tobacco and alcohol use are associated with increased BAG; however, no studies have compared global and regional BAG across substances other than alcohol and tobacco. This study aimed to compare global and regional estimates of brain age in individuals with substance use disorders and healthy controls. DESIGN: This was a cross-sectional study. SETTING: This is an Enhancing Neuro Imaging through Meta-Analysis Consortium (ENIGMA) Addiction Working Group study including data from 38 global sites. PARTICIPANTS: This study included 2606 participants, of whom 1725 were cases with a substance use disorder and 881 healthy controls. MEASUREMENTS: This study used the Kaufmann brain age prediction algorithms to generate global and regional brain age estimates using T1 weighted magnetic resonance imaging (MRI) scans. We used linear mixed effects models to compare global and regional (FreeSurfer lobestrict output) BAG (i.e. predicted minus chronological age) between individuals with one of five primary substance use disorders as well as healthy controls. FINDINGS: Alcohol use disorder (β = -5.49, t = -5.51, p < 0.001) was associated with higher global BAG, whereas amphetamine-type stimulant use disorder (β = 3.44, t = 2.42, p = 0.02) was associated with lower global BAG in the separate substance-specific models. CONCLUSIONS: People with alcohol use disorder appear to have a higher brain-age gap than people without alcohol use disorder, which is consistent with other evidence of the negative impact of alcohol on the 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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».