The effect of weight loss on brain age in schizophrenia spectrum disorders
Notice bibliographique
Résumé
Individuals with schizophrenia spectrum disorders (SSDs) suffer from metabolic conditions including type 2 diabetes (T2D) and obesity. Moreover, they are at a high risk for cardiovascular disease and this could lead to a shortened life expectancy. Obesity is one of common comorbid conditions in SSDs, which has adverse effects on brain health. However, it is still unknown how metabolic disorders affect brain anatomy in SSDs, and the impacts of weight loss from pharmacological interventions are yet to be studied. This study includes a total of 48 patients with SSDs from three different clinical trials focusing on weight loss interventions. We acquired metabolic parameters, brain anatomical MRI, body mass index (BMI), cognition, and psychopathology scores at baseline and endpoint. We used a convolutional neural network-based classifier to calculate each patient's brain-age gap estimate (brainAGE) based on high-quality brain structural T1 images. We examined the relationship between the reduction in BMI and brainAGE between two timepoints. There was a significant reduction in BMI (p < 0.001) between two timepoints. Additionally, the analysis revealed that none of the cognitive, or psychopathology measures demonstrated significant differences between the timepoints (p > 0.05). The results of the multiple regression analysis showed a positive association between the reduction in BMI and brainAGE (F(2,44) = 3.69, p = 0.03). Furthermore, there were no noteworthy associations observed between brainAGE and the aforementioned parameters (p > 0.05). This study revealed a positive correlation between brainAGE and significant weight loss in SSDs with comorbid obesity.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».