Understanding Cognitive Impairment in Early Psychosis through Functional Brain Dysconnectivity: A Whole-Brain Voxel-wise Analysis Approach
Notice bibliographique
Résumé
Early psychosis (EP) is the early stage of onset of psychosis symptoms, characterized by a loss of touch with reality. Cognitive impairment is prominent and even precedes symptom onset in individuals with psychosis, which is commonly driven by alterations in functional brain connectivity. Previous work has focused on brain regions defined a priori and relied on the assumption of normal distributions, which can hinder result generalizability. This project aims to build upon previous findings in a data-driven way and share code following open science principles. We utilize the Human Connectome Project-Early Psychosis dataset of 183 participants, consisting of resting-state functional magnetic resonance imaging (rs-fMRI) scans and phenotypic data from a variety of cognitive domains, such as attention, memory, and processing speed. Functional connectivity is calculated in a voxel-wise manner to derive voxel-whole brain connectivity patterns. Multivariate Distance Matrix Regression (MDMR), a non-parametric technique, is then applied to assess relationships between functional connectivity differences and cognitive scores. Statistics for hypothesis testing follow an asymptotic null distribution, and theoretical p-values can be calculated such that the results are more robust. Further, scripts detailing the data analysis will be shared on GitHub, linked to an Open Science Framework project to aid replicability. We expect to identify some well-known brain areas implicating specific impairments, which will be externally validated in a follow-up study. This may provide a more holistic view on brain-cognition relationships for early psychosis and guide future applications in related fields of research.
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 | 0,013 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,006 | 0,025 |
| Études des sciences et des technologies | 0,007 | 0,003 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».