在精神病中的多尺度标志物的纵向推断:从海马中心性到功能结果

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:

• 精神疾病源于跨生物心理社会尺度的复杂相互作用.
• 精神病是一种异质的疾病,具有不断演变的生物和行为变化.

研究的目的:

• 提出并测试精神病的多尺度疾病进展模型.
• 使用机器学习识别不同的患者亚型及其独特的轨迹.

主要方法:

• 将SuStaIn算法应用于来自163名精神病患者和119名对照者的横截面数据.
• 综合集群和疾病进展建模以分析多尺度数据.
• 检查了海马-皮层连接,情节性记忆,社会认知,负面症状和功能结果.

主要成果:

• 确定了三种患者亚型:一种具有正常功能,一种具有认知/症状缺陷,一种具有连接/记忆问题.
• 亚型1从记忆/认知缺陷发展为负面症状和连接问题.
• 亚型2从连接性缺陷发展到记忆/认知,然后是功能和负面症状.

结论:

• 该研究提供了SuStaIn在多尺度精神病学模型中的首次应用,揭示了明显的精神病进展途径.
• 确定了海马-皮质连接的特定轨迹,这些轨迹是异质精神病呈现的基础.
• 研究结果表明,多尺度建模可以阐明精神病的复杂病理生理学.