Salience and executive network connectivity analyses in schizophrenia during emotional memory tasks
Notice bibliographique
Résumé
Schizophrenia affects about 1% of the population and is characterized by positive symptoms (e.g., hallucinations, delusions) and negative symptoms, particularly aboulia and reduced emotional expression (DSM-5). Cognitive deficits are also highly prevalent. The University of Montreal study aimed to investigate emotional memory and related activation patterns in schizophrenia and we used them for a connectivty analyses with currents tools. Seventy participants had an fMRI while completing a task with IAPS images in two phases, one emotional based and one memory based. In the emotion session, they passively viewed images of varying valence and arousal. In the memory session, they judged whether images had been presented previously. Symptom severity was assessed with the BPRS and PANSS. Controls group outperformed patients on memory accuracy. Connectivity analyses reveal a recurring pattern of dysconnectivity, with overconnectivity between sensory and salience networks and underconnectivity affecting frontal, limbic, and auditory regions. These alterations could explain difficulties in emotional processing, emotional blunting, and poor salience attribution. Clinically, they underscore the importance of targeting not only cognitive deficits but also neural dysfunctions, with a particular focus on non-invasive neuromodulation approaches such as tFUS. However, methodological limitations (sample size, absence of non-medicated patients, lack of temporal analyses) call for caution. This research reinforces the hypothesis of schizophrenia as a disorder of brain connectivity and paves the way for future longitudinal studies and more personalized treatments. Further studies adding precision to the protocol will be necessary.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».