MétaCan
Menu
Retour à la cohorte
Enregistrement W4404159431 · doi:10.3389/fneur.2024.1470727

Investigating neural markers of Alzheimer's disease in posttraumatic stress disorder using machine learning algorithms and magnetic resonance imaging

2024· article· en· W4404159431 sur OpenAlexafffund
Gabriella Yakemow, Tiffany A. Kolesar, Natalie Wright, Iman Beheshti, Eun Hyung Choi, Lawrence Ryner, Sarah J. Chaulk, Ronak Patel, Ji Hyun Ko

Notice bibliographique

RevueFrontiers in Neurology · 2024
Typearticle
Langueen
DomainePsychology
ThématiquePosttraumatic Stress Disorder Research
Établissements canadiensUniversity of ManitobaHealth Sciences Centre
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaWorkers Compensation Board of Manitoba
Mots-clésNeuroimagingMagnetic resonance imagingFunctional magnetic resonance imagingCerebral blood flowPsychologyDementiaMedicineInternal medicinePsychiatryDiseaseNeuroscienceRadiology

Résumé

récupéré en direct d'OpenAlex

Introduction Posttraumatic stress disorder (PTSD) is a mental health disorder caused by experiencing or witnessing traumatic events. Recent studies show that patients with PTSD have an increased risk of developing dementia, including Alzheimer's disease (AD), but there is currently no way to predict which patients will go on to develop AD. The objective of this study was to identify structural and functional neural changes in patients with PTSD that may contribute to the future development of AD. Methods Neuroimaging (pseudo-continuous arterial spin labeling [pCASL] and structural magnetic resonance imaging [MRI]) and behavioral data for the current study (n = 67) were taken from our non-randomized open label clinical trial ( ClinicalTrials.gov Identifier: NCT03229915) for treatment-seeking individuals with PTSD (n = 40) and age-matched healthy controls (HC; n = 27). Only the baseline measures were utilized for this study. Mean cerebral blood flow (CBF) and gray matter (GM) volume were compared between groups. Additionally, we utilized two previously established machine learning-based algorithms, one representing AD-like brain activity (Machine learning-based AD Designation [MAD]) and the other focused on AD-like brain structural changes (AD-like Brain Structure [ABS]). MAD scores were calculated from pCASL data and ABS scores were calculated from structural T1-MRI images. Correlations between neuroimaging data (regional CBF, GM volume, MAD scores, ABS scores) and PTSD symptom severity scores measured by the clinician-administered PTSD scale for DSM-5 (CAPS-5) were assessed. Results Decreased CBF was observed in two brain regions (left caudate/striatum and left inferior parietal lobule/middle temporal lobe) in the PTSD group, compared to the HC group. Decreased GM volume was also observed in the PTSD group in the right temporal lobe (parahippocampal gyrus, middle temporal lobe), compared to the HC group. GM volume within the right temporal lobe cluster negatively correlated with CAPS-5 scores and MAD scores in the PTSD group. Conclusion Results suggest that patients with PTSD with reduced GM volume in the right temporal regions (parahippocampal gyrus) experienced greater symptom severity and showed more AD-like brain activity. These results show potential for early identification of those who may be at an increased risk for future development of dementia.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,003
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
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 Opus0,032
Tête enseignante GPT0,322
Écart entre enseignants0,291 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations4
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in NeurologyMême sujetPosttraumatic Stress Disorder ResearchTravaux en français237 207