Identifying developmental changes in functional brain connectivity associated with cognitive functioning in children and adolescents with ADHD
Notice bibliographique
Résumé
Youth diagnosed with Attention-Deficit/Hyperactivity Disorder (ADHD) often show deficits in various measures of higher-level cognition, such as, executive functioning. Poorer cognitive functioning in children with ADHD has been associated with differences in functional connectivity across the brain. However, little is known about the developmental changes to the brain's functional properties linked to different cognitive abilities in this cohort. To characterize these changes, we analyzed fMRI data (ADHD = 373, NT = 106) collected while youth between the ages of 6 and 16 watched a short movie-clip. We applied machine learning models to identify patterns of network connectivity in response to movie-watching that differentially predict cognitive abilities in our cohort. Using out-of-sample cross validation, our models successfully predicted IQ, visual spatial, verbal comprehension, and fluid reasoning in children (ages 6 - 11), but not in adolescents with ADHD (ages 12-16). Connections with the default mode, memory retrieval, and dorsal attention were driving prediction during early and middle childhood, but connections with the somatomotor, cingulo-opercular, and frontoparietal networks were more important in middle childhood. This work demonstrated that machine learning approaches can identify distinct functional connectivity profiles associated with cognitive abilities at different developmental stages in children and adolescents with ADHD.
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 | 0,006 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».