The future is dynamic: A call for intensive longitudinal data in immunopsychiatry.
The future is dynamic: A call for intensive longitudinal data in immunopsychiatry.
复制标题
DOI：
10.1016/j.bbi.2023.06.002
复制
发表时间：
2023-08
期刊：
影响因子：
--
通讯作者：
中科院分区：
文献类型：
--
作者：
免疫精神病学的长期价值将基于其将基础科学转化为有效临床干预的能力。在这篇文章中，我们讨论了实现这一重要转化目标的一个关键障碍，即横截面研究的优势，或有几个月到几年的随访期。免疫心理过程，如压力，炎症和抑郁症状是内在动态的，并在数小时，数天和数周内波动。这一事实表明，更高密度的数据收集，只有天之间的测量是必要的，以足够的分辨率捕获这些系统的实际动态，确定最佳的时间滞后，以观察感兴趣的变量之间的关联，并最大限度地提高这些数据的转化潜力。为了说明这些观点，我们使用我们自己的密集纵向免疫精神病学研究的试点数据。最后，我们对未来的研究提出了几点建议。通过学习如何更好地利用现有数据进行动态信息研究以及收集密集的纵向数据，我们相信免疫精神病学将更好地促进我们对免疫系统与健康之间相互作用的因果理解。
The long-term value of immunopsychiatry will be based on its ability to translate basic science into effective clinical interventions. In this article, we discuss a key obstacle to achieving this important translational goal—namely, the preponderance of studies that are cross-sectional, or that have months-to-years long follow-up periods. Immunopsychiatric processes such as stress, inflammation, and depression symptoms are inherently dynamic and fluctuate over hours, days and weeks. This fact suggests that higher-density data collection with only days between measurements is necessary to capture—with adequate resolution—the actual dynamics of these systems, determine optimal time lags with which to observe associations between variables of interest, and maximize the translational potential of these data. To illustrate these points, we use pilot data from our own intensive longitudinal immunopsychiatric study. We then conclude by making several recommendations for future research. By learning how to better use existing data for dynamically informative studies as well as collecting intensive longitudinal data, we believe immunopsychiatry will be much better positioned to advance our causal understanding of the interplay between the immune system and health.
登录
查看更多内容
DOI：
10.1038/npp.2010.159
发表时间：
2010-12
期刊：
Neuropsychopharmacology : official publication of the American College of Neuropsychopharmacology
影响因子：
--
作者：
通讯作者：
--
差异时变效应模型（DTVEM）：用于密集纵向数据中诊断和建模时间滞后的工具。
影响因子：
5.4
作者：
Jacobson NC;Chow SM;Newman MG
通讯作者：
Newman MG
影响因子：
6.8
作者：
Euteneuer F;Dannehl K;Del Rey A;Engler H;Schedlowski M;Rief W
通讯作者：
Rief W
影响因子：
3.8
作者：
Haslbeck, Jonas M. B.;Ryan, Oisin
通讯作者：
Ryan, Oisin
影响因子：
3.8
作者：
Beltz AM;Wright AG;Sprague BN;Molenaar PC
通讯作者：
Molenaar PC