首发药物原始性重度抑郁障碍的维度亚型:一个多站点静止状态fMRI研究
Biao Zhang1, Yating Li2, Yuhao Shen2
1Department of Radiology, The First Affiliated Hospital of Anhui Medical University, Hefei 230022, China; Research Center of Clinical Medical Imaging, Anhui, Hefei 230032, China; Anhui Provincial Institute of Translational Medicine, Hefei 230032, China; Institute of Artificial Intelligence, Hefei Comprehensive National Science Center, Hefei 230026, China.
大型抑郁症 (MDD) 呈现出显著的个体间差异. 一个维度方法揭示了三个不同的休息状态功能连接模式,为个性化抑郁症治疗提供了新的途径.
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.
- 计算生物学 计算生物学
背景情况:
- 重度抑郁症 (MDD) 是一种异质的疾病,使个性化医疗方法复杂化.
- 当前的MDD分类方法往往通过将个人分配到单个类别来过分简化患者异质性.
- 需要一个维度方法来捕捉MDD背后的神经机制的持续变化.
研究的目的:
- 开发基于静止状态功能连接 (RSFC) 的MDD维度子类型方法.
- 识别不同的RSFC模式 (因素) 和它们在MDD患者中的表现.
- 探索这些维度因素与人口/临床变量之间的关系.
主要方法:
- 利用了230名未曾服用过药物的MDD患者和395名健康对照者的数据 (Rest-meta-MDD项目).
- 应用贝叶斯模型将RSFC分解为多个潜在因子,允许维度子类型.
- 分析了确定因素与人口统计/临床变量之间的关联.
主要成果:
- 确定了三个潜伏因素,其特点是明显的,部分重叠的低和高RSFC模式.
- 观察到大多数参与者共同表达了多个潜在因素.
- 所有识别的因素都显示出异常的RSFC,涉及默认模式网络和前端对联网络,因子的方向性不同.
- 这些因素与人口或临床变量之间没有发现显著的关联.
结论:
- 维度亚型化方法揭示了MDD神经机制的潜在异质性.
- 已识别的潜伏因素为MDD的个体间变化提供了洞察力.
- 这些发现可以通过解决其异质性来为MDD开发新的个性化治疗策略提供信息.
更多相关视频
08:20MRI-guided dmPFC-rTMS as a Treatment for Treatment-resistant Major Depressive Disorder
Published on: August 11, 2015
08:36Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms
Published on: March 21, 2019
相关概念视频
Antidepressant Drugs: MAOIs and Other Agents
Depressive Disorders: MDD and Dysthymia
