Psychiatry lacks the objective clinical tests routinely used in other specializations. Novel computerized methods to characterize complex behaviors such as speech could be used to identify and predict psychiatric illness in individuals.In this proof-of-principle study, our aim was to test automated speech analyses combined with Machine Learning to predict later psychosis onset in youths at clinical high-risk (CHR) for psychosis.Thirty-four CHR youths (11 females) had baseline interviews and were assessed quarterly for up to 2.5 years; five transitioned to psychosis. Using automated analysis, transcripts of interviews were evaluated for semantic and syntactic features predicting later psychosis onset. Speech features were fed into a convex hull classification algorithm with leave-one-subject-out cross-validation to assess their predictive value for psychosis outcome. The canonical correlation between the speech features and prodromal symptom ratings was computed.Derived speech features included a Latent Semantic Analysis measure of semantic coherence and two syntactic markers of speech complexity: maximum phrase length and use of determiners (e.g., which). These speech features predicted later psychosis development with 100% accuracy, outperforming classification from clinical interviews. Speech features were significantly correlated with prodromal symptoms.Findings support the utility of automated speech analysis to measure subtle, clinically relevant mental state changes in emergent psychosis. Recent developments in computer science, including natural language processing, could provide the foundation for future development of objective clinical tests for psychiatry.

The experiences induced by psychedelics share a wide variety of subjective features, related to the complex changes in perception and cognition induced by this class of drugs. A remarkable increase in introspection is at the core of these altered states of consciousness. Self-oriented mental activity has been consistently linked to the Default Mode Network (DMN), a set of brain regions more active during rest than during the execution of a goal-directed task. Here we used fMRI technique to inspect the DMN during the psychedelic state induced by Ayahuasca in ten experienced subjects. Ayahuasca is a potion traditionally used by Amazonian Amerindians composed by a mixture of compounds that increase monoaminergic transmission. In particular, we examined whether Ayahuasca changes the activity and connectivity of the DMN and the connection between the DMN and the task-positive network (TPN). Ayahuasca caused a significant decrease in activity through most parts of the DMN, including its most consistent hubs: the Posterior Cingulate Cortex (PCC)/Precuneus and the medial Prefrontal Cortex (mPFC). Functional connectivity within the PCC/Precuneus decreased after Ayahuasca intake. No significant change was observed in the DMN-TPN orthogonality. Altogether, our results support the notion that the altered state of consciousness induced by Ayahuasca, like those induced by psilocybin (another serotonergic psychedelic), meditation and sleep, is linked to the modulation of the activity and the connectivity of the DMN.

Background Psychosis has various causes, including mania and schizophrenia. Since the differential diagnosis of psychosis is exclusively based on subjective assessments of oral interviews with patients, an objective quantification of the speech disturbances that characterize mania and schizophrenia is in order. In principle, such quantification could be achieved by the analysis of speech graphs. A graph represents a network with nodes connected by edges; in speech graphs, nodes correspond to words and edges correspond to semantic and grammatical relationships. Methodology/Principal Findings To quantify speech differences related to psychosis, interviews with schizophrenics, manics and normal subjects were recorded and represented as graphs. Manics scored significantly higher than schizophrenics in ten graph measures. Psychopathological symptoms such as logorrhea, poor speech, and flight of thoughts were grasped by the analysis even when verbosity differences were discounted. Binary classifiers based on speech graph measures sorted schizophrenics from manics with up to 93.8% of sensitivity and 93.7% of specificity. In contrast, sorting based on the scores of two standard psychiatric scales (BPRS and PANSS) reached only 62.5% of sensitivity and specificity. Conclusions/Significance The results demonstrate that alterations of the thought process manifested in the speech of psychotic patients can be objectively measured using graph-theoretical tools, developed to capture specific features of the normal and dysfunctional flow of thought, such as divergence and recurrence. The quantitative analysis of speech graphs is not redundant with standard psychometric scales but rather complementary, as it yields a very accurate sorting of schizophrenics and manics. Overall, the results point to automated psychiatric diagnosis based not on what is said, but on how it is said.

Since the first measurements of neuronal avalanches, the critical brain hypothesis has gained traction. However, if the brain is critical, what is the phase transition? For several decades, it has been known that the cerebral cortex operates in a diversity of regimes, ranging from highly synchronous states (with higher spiking variability) to desynchronized states (with lower spiking variability). Here, using both new and publicly available data, we test independent signatures of criticality and show that a phase transition occurs in an intermediate value of spiking variability, in both anesthetized and freely moving animals. The critical exponents point to a universality class different from mean-field directed percolation. Importantly, as the cortex hovers around this critical point, the avalanche exponents follow a linear relation that encompasses previous experimental results from different setups and is reproduced by a model.

Abstract New technologies for manipulating and recording the nervous system allow us to perform unprecedented experiments. However, the influence of our experimental manipulations on psychological processes must be inferred from their effects on behavior. Today, quantifying behavior has become the bottleneck for large-scale, high-throughput, experiments. The method presented here addresses this issue by using deep learning algorithms for video-based animal tracking. Here we describe a reliable automatic method for tracking head position and orientation from simple video recordings of the common marmoset ( Callithrix jacchus ). This method for measuring marmoset behavior allows for the estimation of gaze within foveal error, and can easily be adapted to a wide variety of similar tasks in biomedical research. In particular, the method has great potential for the simultaneous tracking of multiple marmosets to quantify social behaviors.

Hegemonic psychiatric models in the 20 th century, centered on the notion of disease, were willing to consider a single 'natural' primary cause-either biochemical or neurophysiological-as sufficient explanation for complex psychological and social phenomena like psychosis or depression.The pharmacological treatment of mental health conditions came to be understood solely in terms of metabolic replenishment to fight a putative 'chemical imbalance', without a true need to delve into the recesses of the patients' minds and bodies.These overly simplistic models collapsed in the past two decades, and the trend is now the opposite, towards the recognition that mental health conditions are to a large extent, a social construct produced by lifestyles that jeopardize the essential tenets of good health: sleep, nutrition, exercise, introspection, and mind-body connection.Although psychiatric drugs are widely prescribed as 'effective' treatment, the number of people diagnosed with mental health conditions has increased substantially in the past decades.The World Health Organization (WHO) estimates that the prevalence of mental health conditions has risen from 416 million people in 1990 to over 615 million people in recent years [1].Similarly, the U.S. National Survey on Drug Use and Health has reported significant increases in rates of depression, anxiety, and suicidal ideation, particularly among young adults, over the past decade [2].A significant increase in the diagnosis of attention deficit hyperactivity disorder (ADHD) in children has also been reported in the U.S. [3] and other countries.These increases have been attributed to better diagnosis and the increasing prevalence of conditions like anxiety and depression, which likely reflect the negative impact of contemporary lifestyle on mental health.Nevertheless, two other factors often overlooked, may also contribute to explain increase: the iatrogenic effects of psychotropic drugs, and overdiagnosis due to financial conflicts of interest, or prejudice against neurodivergence, as may be the case of ADHD and certain forms of autism.Like Thomas Insel, head of the National Institute of Mental Health for 13 years, publicly acknowledged during the 2017 Psychedelic Science meeting in Oakland, even though psychiatrists feel that they have come a long way in recent decades, patients are drowning in anxiety, depression, despair, and suicide.At the same time, there is a growing interest in traditional holistic practices and therapies, from Yoga, Qigong, and Capoeira, to gardening, meditation, and dreamwork.What is going on?

Abstract 5-methoxy-N,N-dimethyltryptamine (5-MeO-DMT) is a potent classical psychedelic known to induce changes in locomotion, behaviour, and sleep in rodents. However, there is limited knowledge regarding its acute neurophysiological effects. Local field potentials (LFPs) are commonly used as a proxy for neural activity, but previous studies investigating psychedelics have been hindered by confounding effects of behavioural changes and anaesthesia, which alter these signals. To address this gap, we investigated acute LFP changes in the hippocampus (HP) and medial prefrontal cortex (mPFC) of freely behaving rats, following 5-MeO-DMT administration. 5-MeO-DMT led to an increase of delta power and a decrease of theta power in the HP LFPs, which could not be accounted for by changes in locomotion. Furthermore, we observed a dose-dependent reduction in slow (20-50 Hz) and mid (50-100Hz) gamma power, as well as in theta phase modulation, even after controlling for the effects of speed and theta power. State map analysis of the spectral profile of awake behaviour induced by 5-MeO-DMT revealed similarities to electrophysiological states observed during slow-wave sleep (SWS) and rapid-eye-movement (REM) sleep. Our findings suggest that the psychoactive effects of classical psychedelics are associated with the integration of waking behaviours with sleep-like spectral patterns in LFPs.

Abstract Objective Neuronal oscillatory patterns are believed to underpin multiple cognitive mechanisms. Accordingly, compromised oscillatory dynamics were shown to be associated with neuropsychiatric conditions. Therefore, the possibility of modulating, or controlling, oscillatory components of brain activity as a therapeutic approach has emerged. 
Typical non-invasive brain-computer interfaces (BCI) based on EEG have been used to decode volitional motor brain signals for interaction with external devices. Here we aimed at feedback through visual stimulation which returns directly back to the visual cortex. 
Approach Our architecture permits the implementation of feedback control-loops capable of controlling, or at least modulating, visual cortical activity. As this type of neurofeedback depends on early visual cortical activity, mainly driven by external stimulation it is called non-volitional or implicit neurofeedback. Because retino-cortical 40-100ms delays in the feedback loop severely degrade controller performance, we implemented a predictive control system, called a Smith-Predictor (SP) controller, which compensates for fixed delays in the control loop by building an internal model of the system to be controlled, in this case the EEG response to stimuli in the visual cortex.
Main Results Response models were obtained by analyzing, EEG data (n=8) of experiments using periodically inverting stimuli causing prominent parieto-occipital oscillations, the Steady-State Visual Evoked Potentials (SSVEPs). Averaged subject-specific SSVEPs, and associated retina-cortical delays, were subsequently used to obtain the SP controler’s Linear, Time-Invariant (LTI) models of individual responses. 
The SSVEP models were first successfully validated against the experimental data. When placed in closed loop with the designed SP controller configuration, the SSVEP amplitude level oscillated around several reference values, accounting for inter-individual variability.
Significance In silico and in vivo data matched, suggesting model’s robustness, paving the way for the experimental validation of this non-volitional neurofeedback system to control the amplitude of abnormal brain oscillations in autism and attention and hyperactivity deficits.

Psychedelic agonists of serotonin receptors induce neural plasticity and synaptogenesis, but their potential to enhance learning remains uncharted. Here we show that a single dose of d-LSD, a potent serotonergic agonist, increased novel object preference in young and adult rats several days after treatment. d-LSD alone did not increase preference in old animals, but could rescue it to young levels when followed by a 6-day exposure to enriched environment (EE). Mass spectrometry-based proteomics in human brain organoids treated with d-LSD showed upregulation of proteins from the presynaptic active zone. A computational model of synaptic connectivity in the hippocampus and prefrontal cortex suggests that d-LSD enhances novelty preference by combining local synaptic changes in mnemonic and executive regions, with alterations of long-range synapses. Better pattern separation within EE explained its synergy with d-LSD in rescuing novelty preference in old animals. These results advance the use of d-LSD in cognitive enhancement.

Introdução: As doenças cerebrovasculares, especialmente o acidente vascular cerebral (AVC), são uma das principais causas de morte no Brasil, causando grande impacto na saúde pública devido à sua alta taxa de mortalidade e morbidade. A mortalidade por AVC é influenciada por fatores regionais, socioeconômicos e de acesso aos serviços de saúde. Objetivo: Este estudo visa investigar a evolução da mortalidade por doenças cerebrovasculares no Brasil entre 2000 e 2023, analisando as disparidades regionais e o impacto de determinantes sociais e do sistema de saúde no comportamento das taxas de óbito. Metodologia: Realizou-se uma análise ecológica observacional utilizando dados do Sistema de Informações de Mortalidade (SIM) do DATASUS, com cálculo de taxas de mortalidade ajustadas por idade para as cinco regiões geográficas do Brasil. Foram aplicadas análises de regressão para avaliar associações entre mortalidade, Índice de Desenvolvimento Humano (IDH) e cobertura da Estratégia Saúde da Família (ESF). Resultados: Houve um declínio geral nas taxas de mortalidade por doenças cerebrovasculares em todas as regiões, sendo mais acentuado no Sul e Sudeste, onde o acesso a serviços de saúde e políticas de prevenção é mais robusto. No entanto, as regiões Norte e Nordeste continuam a apresentar taxas mais elevadas, evidenciando disparidades regionais significativas. Observou-se também uma relação inversa entre IDH e mortalidade, indicando que regiões com melhores indicadores socioeconômicos apresentam menores taxas de óbito. Conclusão: As políticas de saúde, incluindo a ampliação da ESF, têm contribuído para a redução da mortalidade por doenças cerebrovasculares no Brasil. No entanto, persistem desigualdades regionais que exigem estratégias específicas para as áreas mais vulneráveis, visando fortalecer a infraestrutura de saúde e ampliar o acesso a cuidados preventivos. Essa abordagem é essencial para uma redução mais equitativa das taxas de mortalidade em todo o território nacional.