在跨诊断患者队列中数据驱动的化模式的多变量识别:集群分析方法

科学领域:

• 神经科学是一个神经科学.
• 精神病学是一个精神病学.
• 生物统计学 生物统计学

背景情况:

• 多变量统计方法使研究复杂的生物相互依赖性成为可能,特别是在高维的大脑成像数据中.
• 作为神经发育的标志物,化缺乏跨精神疾病和跨诊断性表征的全面比较研究.
• 研究化模式可以揭示疾病中的异质性和共同的神经解剖特征.

研究的目的:

• 采用数据驱动的多变量统计方法,在大量精神病患者中分析皮质转化.
• 为了识别超越传统诊断类别的化不同的集群模式.
• 探索已识别的化集群,认知和跨诊断性疾病风险因素之间的关系.

主要方法:

• 分析了1028名患有主要精神疾病 (主要抑郁症,双极性障碍,精神分裂症,精神分裂症) 的患者队列.
• 来自68个大脑区域 (DK-40图谱) 的皮层旋转数据经过了集群分析.
• 分析的目的是根据化模式识别数据驱动的子组.

主要成果:

• 集群分析显示,基于整体和区域的化,有三个不同的集群.
• 这些数据驱动的子组在认知功能和跨诊断性疾病风险因素方面表现出歧视力.
• 转化模式与跨诊断风险因素有关,而不是特定的精神病诊断.

结论:

• 转化在心理健康中扮演着更具全球性的角色,与跨诊断风险因素相关,而不是疾病特异性的角色.
• 研究结果支持关联皮层在精神病理学中的重要性.
• 探索性,数据驱动的方法对于重新评估现有假设和发现有意义的神经成像效应至关重要.