GP
Gayathri Pandey
Author with expertise in Analysis of Brain Functional Connectivity Networks
Achievements
Open Access Advocate
Key Stats
Upvotes received:
0
Publications:
3
(100% Open Access)
Cited by:
1
h-index:
13
/
i10-index:
17
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
2

Clinical, genomic, and neurophysiological correlates of lifetime suicide attempts among individuals with alcohol dependence

Peter Barr et al.Apr 29, 2023
Research has identified clinical, genomic, and neurophysiological markers associated with suicide attempts (SA) among individuals with psychiatric illness. However, there is limited research among those with an alcohol use disorder (AUD), despite their disproportionately higher rates of SA. We examined lifetime SA in 4,068 individuals with DSM-IV alcohol dependence from the Collaborative Study on the Genetics of Alcoholism (23% lifetime suicide attempt; 53% female; mean age: 38). Within participants with an AUD diagnosis, we explored risk across other clinical conditions, polygenic scores (PGS) for comorbid psychiatric problems, and neurocognitive functioning for lifetime suicide attempt. Participants with an AUD who had attempted suicide had greater rates of trauma exposure, major depressive disorder, post-traumatic stress disorder, and other substance use disorders compared to those who had not attempted suicide. Polygenic scores for suicide attempt, depression, and PTSD were associated with reporting a suicide attempt (ORs = 1.22 - 1.44). Participants who reported a SA also had decreased right hemispheric frontal-parietal theta and decreased interhemispheric temporal-parietal alpha electroencephalogram resting-state coherences relative to those who did not, but differences were small. Overall, individuals with an AUD who report a lifetime suicide attempt appear to experience greater levels of trauma, have more severe comorbidities, and carry polygenic risk for a variety of psychiatric problems. Our results demonstrate the need to further investigate suicide attempts in the presence of substance use disorders.
0

Prediction of brain age in individuals with and at risk for alcohol use disorder using brain morphological features

Chella Kamarajan et al.Mar 4, 2024
Abstract Brain age measures predicted from structural and functional brain features are increasingly being used to understand brain integrity, disorders, and health. While there is a vast literature showing aberrations in both structural and functional brain measures in individuals with and at risk for alcohol use disorder (AUD), few studies have investigated brain age in these groups. The current study examines brain age measures predicted using brain morphological features, such as cortical thickness and brain volume, in individuals with a lifetime diagnosis of AUD as well as in those at higher risk to develop AUD from families with multiple members affected with AUD (i.e., higher family history density (FHD) scores). The AUD dataset included a group of 30 adult males (mean age = 41.25 years) with a lifetime diagnosis of AUD and currently abstinent and a group of 30 male controls (mean age = 27.24 years) without any history of AUD. A second dataset of young adults who were categorized based on their FHD scores comprised a group of 40 individuals (20 males) with high FHD of AUD (mean age = 25.33 years) and a group of 31 individuals (18 males) with low FHD (mean age = 25.47 years). Brain age was predicted using 187 brain morphological features of cortical thickness and brain volume in an XGBoost regression model; a bias-correction procedure was applied to the predicted brain age. Results showed that both AUD and high FHD individuals showed an increase of 1.70 and 0.09 years (1.08 months), respectively, in their brain age relative to their chronological age, suggesting accelerated brain aging in AUD and risk for AUD. Increased brain age was associated with poor performance on neurocognitive tests of executive functioning in both AUD and high FHD individuals, indicating that brain age can also serve as a proxy for cognitive functioning and brain health. These findings on brain aging in these groups may have important implications for the prevention and treatment of AUD and ensuing cognitive decline.
7

Predicting alcohol-related memory problems in older adults: A machine learning study with multi-domain features

Chella Kamarajan et al.Jan 2, 2023
Abstract Memory problems are common among older adults with a history of alcohol use disorder (AUD). Employing a machine learning framework, the current study investigates the use of multi-domain features to classify individuals with and without alcohol-induced memory problems. A group of 94 individuals (ages 50-81 years) with alcohol-induced memory problems ( Memory group) were compared with a matched Control group who did not have memory problems. The Random Forests model identified specific features from each domain that contributed to the classification of Memory vs. Control group (AUC=88.29%). Specifically, individuals from the Memory group manifested a predominant pattern of hyperconnectivity across the default mode network regions except some connections involving anterior cingulate cortex which were predominantly hypoconnected. Other significant contributing features were (i) polygenic risk scores for AUD, (ii) alcohol consumption and related health consequences during the past 5 years, such as health problems, past negative experiences, withdrawal symptoms, and the largest number of drinks in a day during the past 12 months, and (iii) elevated neuroticism and increased harm avoidance, and fewer positive “uplift” life events. At the neural systems level, hyperconnectivity across the default mode network regions, including the connections across the hippocampal hub regions, in individuals with memory problems may indicate dysregulation in neural information processing. Overall, the study outlines the importance of utilizing multidomain features, consisting of resting-state brain connectivity collected ∼18 years ago, together with personality, life experiences, polygenic risk, and alcohol consumption and related consequences, to predict alcohol-related memory problems that arise in later life.