Background: Depression is associated with immense suffering and costs, and many patients receive inadequate care, often because of the limited availability of treatment. Web-based treatments may play an increasingly important role in closing this gap between demand and supply. We developed the integrative, Web-based program Deprexis, which covers therapeutic approaches such as behavioral activation, cognitive restructuring, mindfulness/acceptance exercises, and social skills training. Objective: To evaluate the effectiveness of the Web-based intervention in a randomized controlled trial. Methods: There were 396 adults recruited via Internet depression forums in Germany, and they were randomly assigned in an 80:20 weighted randomization sequence to either 9 weeks of immediate-program-access as an add-on to treatment-as-usual (N = 320), or to a 9-week delayed-access plus treatment-as-usual condition (N = 76). At pre- and post-treatment and 6-month follow-up, we measured depression (Beck Depression Inventory) as the primary outcome measure and social functioning (Work and Social Adjustment Scale) as the secondary outcome measure. Completer analyses and intention-to-treat analyses were performed. Results: Of 396 participants, 216 (55%) completed the post-measurement 9 weeks later. Available case analyses revealed a significant reduction in depression severity (BDI), Cohen’s d = .64 (CI 95% = 0.33 - 0.94), and significant improvement in social functioning (WSA), Cohen’s d = .64, 95% (CI 95% = 0.33 - 0.95). These improvements were maintained at 6-month follow-up. Intention-to-treat analyses confirmed significant effects on depression and social functioning improvements (BDI: Cohen’s d = .30, CI 95% = 0.05 - 0.55; WSA: Cohen’s d = .36, CI 95% = 0.10 - 0.61). Moreover, a much higher percentage of patients in the intervention group experienced a significant reduction of depression symptoms (BDI: odds ratio [OR] = 6.8, CI 95% = 2.90 - 18.19) and recovered more often (OR = 17.3, 95% CI 2.3 - 130). More than 80% of the users felt subjectively that the program had been helpful. Conclusions: This integrative, Web-based intervention was effective in reducing symptoms of depression and in improving social functioning. Findings suggest that the program could serve as an adjunctive or stand-alone treatment tool for patients suffering from symptoms of depression. Trial Registration: International Standard Randomized Controlled Trial Number (ISRCTN): 64953693; http://www.controlled-trials.com/ISRCTN64953693/64953693 (Archived by WebCite at http://www.webcitation.org/5ggzvTJPD)

Experiencing depression symptoms, even at mild to moderate levels, is associated with maladaptive outcomes for adolescents. We used network analysis to evaluate which symptoms (and associations between symptoms) are most central to adolescent depression. Participants were part of a large, diverse community sample (N = 1,409) of adolescents between 13 and 19 years of age. Network analysis was used to identify the most central symptoms (nodes) and associations between symptoms (edges) assessed by the Children's Depression Inventory. We also evaluated these centrality indicators for network robustness using stability and accuracy tests, associated symptom centrality with mean levels of symptoms, and examined potential differences between the structure and connectivity of depression networks in boys and girls. The most central symptoms in the network were self-hatred, loneliness, sadness, and pessimism. The strongest associations between symptoms were sadness–crying, anhedonia–school dislike, sadness–loneliness, school work difficulty–school performance decrement, self-hatred–negative body image, sleep disturbance–fatigue, and self-deprecation–self-blame. The network was robust to stability and accuracy tests. Notably, symptom centrality and mean levels of symptoms were not associated. Boys and girls' networks did not differ in levels of connectivity, though the link between body image and self-hatred was stronger in girls than boys. Self-hatred, loneliness, sadness, and pessimism were the most central symptoms in adolescent depression networks, suggesting that these symptoms (and associations between symptoms) should be prioritized in theoretical models of adolescent depression and could also serve as important treatment targets for adolescent depression interventions.

Functional brain networks including Default Mode, Salience, and Executive Control (DMN; SN; ECN), collectively called the 'triple-network', are associated with Depressive Rumination (DR) severity in Major Depressive Disorder (MDD). The underlying white-matter (WM) microstructure supporting these networks and its precise role in DR remains unknown, however. Using diffusion MRI and resting-state BOLD fMRI, we explored multimodal relationships between DR, WM microstructure, and triple-network functional connectivity in adults with MDD (N = 39), and then replicated our analyses in an independent dataset of adults with MDD (N = 39). Results showed that higher DR severity was negatively associated with: (a) microstructure of primary and secondary WM fibers spanning the right Superior Longitudinal Fasciculus and surrounding clusters, (b) functional network connectivity of the Cingulo-Opercular SN (coSN), Precuneal DMN (pDMN), and frontal ECN (fECN), (c) inverse correlations between the pDMN and each of the coSN and fECN, and (d) a direct correlation between the fECN and coSN. Ultimately, thirty-one findings replicated fully or partially, lending support to the conclusion that individual differences in WM microstructure, resting-state functional connectivity of the triple-network, and their multivariate, microstructural-functional intersection, provide a neurobiological basis for depressive rumination.

Using MRI to diagnose mental disorders has been a long-term goal. Despite this, the vast majority of prior neuroimaging work has been descriptive rather than predictive. The current study applies support vector machine (SVM) learning to MRI measures of brain white matter to classify adults with Major Depressive Disorder (MDD) and healthy controls. In a precisely matched group of individuals with MDD (n = 25) and healthy controls (n = 25), SVM learning accurately (74%) classified patients and controls across a brain map of white matter fractional anisotropy values (FA). The study revealed three main findings: 1) SVM applied to DTI derived FA maps can accurately classify MDD vs. healthy controls; 2) prediction is strongest when only right hemisphere white matter is examined; and 3) removing FA values from a region identified by univariate contrast as significantly different between MDD and healthy controls does not change the SVM accuracy. These results indicate that SVM learning applied to neuroimaging data can classify the presence versus absence of MDD and that predictive information is distributed across brain networks rather than being highly localized. Finally, MDD group differences revealed through typical univariate contrasts do not necessarily reveal patterns that provide accurate predictive information.