MétaCan
Menu
Retour à la cohorte
Enregistrement W4402331674 · doi:10.1016/j.ijchp.2024.100498

Imaging body-mind crosstalk in young adults

2024· article· en· W4402331674 sur OpenAlexaff
Qian Yu, Zhaowei Kong, Liye Zou, Fabian Herold, Sebastian Ludyga, Zhihao Zhang, Meijun Hou, Arthur F. Kramer, Kirk I. Erickson, Marco Taubert, Charles H. Hillman, Sean P. Mullen, Markus Gerber, Notger G. Müller, Keita Kamijo, Toru Ishihara, Robert J. Schinke, Boris Cheval, Terry McMorris, Ka Kit Wong, Qingde Shi, Jinlei Nie

Notice bibliographique

RevueInternational Journal of Clinical and Health Psychology · 2024
Typearticle
Langueen
DomainePsychology
ThématiqueAction Observation and Synchronization
Établissements canadiensLaurentian University
Organismes subventionnairesNational Institute of Mental HealthNational Center for Mental HealthScience, Technology and Innovation Commission of Shenzhen MunicipalityChina Postdoctoral Science Foundation
Mots-clésCrosstalkPsychologyDevelopmental psychologyCognitive psychologyCognitive sciencePhysicsOptics

Résumé

récupéré en direct d'OpenAlex

Objective: There is evidence that complex relationships exist between motor functions, brain structure, and cognitive functions, particularly in the aging population. However, whether such relationships observed in older adults could extend to other age groups (e.g., younger adults) remains to be elucidated. Thus, the current study addressed this gap in the literature by investigating potential associations between motor functions, brain structure, and cognitive functions in a large cohort of young adults. Methods: In the current study, data from 910 participants (22-35 yr) were retrieved from the Human Connectome Project. Interactions between motor functions (i.e., cardiorespiratory fitness, gait speed, hand dexterity, and handgrip strength), brain structure (i.e., cortical thickness, surface area, and subcortical volumes), and cognitive functions were examined using linear mixed-effects models and mediation analyses. The performance of different machine-learning classifiers to discriminate young adults at three different levels (related to each motor function) was compared. Results: < 0.05). Four machine-learning classifiers with feature importance ranking were built to discriminate young adults with different levels of cardiorespiratory fitness (random forest), gait speed, hand dexterity (support vector machine with the radial kernel), and handgrip strength (artificial neural network). Conclusions: In summary, similar to observations in older adults, the current study provides empirical evidence (i) that motor functions in young adults are positively related to specific measures of cognitive functions, and (ii) that such relationships are at least partially mediated by distinct brain structures. Furthermore, our analyses suggest that machine-learning classifier has a promising potential to be used as a classification tool and decision support for identifying populations with below-average motor and cognitive functions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,345
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,136
Tête enseignante GPT0,574
Écart entre enseignants0,438 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Clinical and Health PsychologyMême sujetAction Observation and SynchronizationTravaux en français237 207