Neural signatures of emotional biases predict clinical outcomes in difficult-to-treat depression
Notice bibliographique
Résumé
Abstract Background: Neural predictors underlying variability in depression outcomes are poorly understood. Functional MRI measures of subgenual cortex connectivity, self-blaming and negative perceptual biases have shown prognostic potential in treatment-naïve, medication-free and fully remitting forms of major depressive disorder (MDD). However, their role in more chronic, difficult-to-treat forms of MDD is unknown. Methods: Forty-five participants (n = 38 meeting minimum data quality thresholds) fulfilled criteria for difficult-to-treat MDD. Clinical outcome was determined by computing percentage change at follow-up from baseline (four months) on the self-reported Quick Inventory of Depressive Symptomatology (16-item). Baseline measures included self-blame-selective connectivity of the right superior anterior temporal lobe with an a priori Brodmann Area 25 region-of-interest, blood-oxygen-level-dependent a priori bilateral amygdala activation for subliminal sad vs happy faces, and resting-state connectivity of the subgenual cortex with an a priori defined ventrolateral prefrontal cortex/insula region-of-interest. Findings: A linear regression model showed that baseline severity of depressive symptoms explained 3% of the variance in outcomes at follow-up ( F [3,34] = .33, p = .81). In contrast, our three pre-registered neural measures combined, explained 32% of the variance in clinical outcomes ( F [4,33] = 3.86, p = .01). Conclusion: These findings corroborate the pathophysiological relevance of neural signatures of emotional biases and their potential as predictors of outcomes in difficult-to-treat depression.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».