Abstract Results of neuroimaging datasets aggregated from multiple sites may be biased by site- specific profiles in participants’ demographic and clinical characteristics, as well as MRI acquisition protocols and scanning platforms. We compared the impact of four different harmonization methods on results obtained from analyses of cortical thickness data: (1) linear mixed-effects model (LME) that models site-specific random intercepts (LME INT ), (2) LME that models both site-specific random intercepts and age-related random slopes (LME INT+SLP ), (3) ComBat, and (4) ComBat with a generalized additive model (ComBat-GAM). Our test case for comparing harmonization methods was cortical thickness data aggregated from 29 sites, which included 1,343 cases with posttraumatic stress disorder (PTSD) (6.2-81.8 years old) and 2,067 trauma-exposed controls without PTSD (6.3-85.2 years old). We found that, compared to the other data harmonization methods, data processed with ComBat-GAM were more sensitive to the detection of significant case-control differences in regional cortical thickness ( X 2 (3) = 34.339, p < 0.001), and case-control differences in age-related cortical thinning ( X 2 (3) = 15.128, p = 0.002). Specifically, ComBat-GAM led to larger effect size estimates of cortical thickness reductions (corrected p-values < 0.001 ), smaller age-appropriate declines (corrected p-values < 0.001 ), and lower female to male contrast (corrected p-values < 0.001 ) in cases compared to controls relative to other harmonization methods. Harmonization with ComBat-GAM also led to greater estimates of age-related declines in cortical thickness (corrected p-values < 0.001 ) in both cases and controls compared to other harmonization methods. Our results support the use of ComBat-GAM for harmonizing cortical thickness data aggregated from multiple sites and scanners to minimize confounds and increase statistical power.

Abstract Introduction Cortical thickness (CT) and surface area (SA) are established biomarkers of brain pathology in posttraumatic stress disorder (PTSD). Structural covariance networks (SCN) constructed from CT and SA may represent developmental associations, or unique interactions between brain regions, possibly influenced by a common causal antecedent. The ENIGMA-PGC PTSD Working Group aggregated PTSD and control subjects’ data from 29 cohorts in five countries (n=3439). Methods Using Destrieux Atlas, we built SCNs and compared centrality measures between PTSD subjects and controls. Centrality is a graph theory measure derived using SCN. Results Notable nodes with higher CT-based centrality in PTSD compared to controls were left fusiform gyrus, left superior temporal gyrus, and right inferior temporal gyrus. We found sex-based centrality differences in bilateral frontal lobe regions, left anterior cingulate, left superior occipital cortex and right ventromedial prefrontal cortex (vmPFC). Comorbid PTSD and MDD showed higher CT-based centrality in the right anterior cingulate gyrus, right parahippocampal gyrus and lower SA-based centrality in left insular gyrus. Conclusion Unlike previous studies with smaller sample sizes (≤318), our study found differences in centrality measures using a sample size of 3439 subjects. This is the first cross-sectional study to examine SCN interactions with age, sex, and comorbid MDD. Although limited to group level inferences, centrality measures offer insights into a node’s relationship to the entire functional connectome unlike approaches like seed-based connectivity or independent component analysis. Nodes having higher centrality have greater structural or functional connections, lending them invaluable for translational treatments like neuromodulation.

Abstract Background Current clinical assessments of Posttraumatic stress disorder (PTSD) rely solely on subjective symptoms and experiences reported by the patient, rather than objective biomarkers of the illness. Recent advances in data-driven computational approaches have been helpful in devising tools to objectively diagnose psychiatric disorders. Here we aimed to classify individuals with PTSD versus controls using heterogeneous brain datasets from the ENIGMA-PGC PTSD Working group. Methods We analyzed brain MRI data from 3,527 structural-MRI; 2,502 resting state-fMRI; and 1,953 diffusion-MRI. First, we identified the brain features that best distinguish individuals with PTSD from controls (TEHC and HC) using traditional machine learning methods. Second, we assessed the utility of the denoising variational autoencoder (DVAE) and evaluated its classification performance. Third, we assessed the generalizability and reproducibility of both models using leave-one-site-out cross-validation procedure for each modality. Results We found lower performance in classifying PTSD vs. controls with data from over 20 sites (60% test AUC for s-MRI, 59% for rs-fMRI and 56% for d-MRI), as compared to other studies run on single-site data. The performance increased when classifying PTSD from HC without trauma history across all three modalities (75% AUC). The classification performance remained intact when applying the DVAE framework, which reduced the number of features. Finally, we found that the DVAE framework achieved better generalization to unseen datasets compared with the traditional machine learning frameworks, albeit performance was slightly above chance. Conclusion Our findings highlight the promise offered by machine learning methods for the diagnosis of patients with PTSD. The utility of brain biomarkers across three MRI modalities and the contribution of DVAE models for improving generalizability offers new insights into neural mechanisms involved in PTSD. Significance ⍰ Classifying PTSD from trauma-unexposed healthy controls (HC) using three imaging modalities performed well (∼75% AUC), but performance suffered markedly when classifying PTSD from trauma-exposed healthy controls (TEHC) using three imaging modalities (∼60% AUC). ⍰ Using deep learning for feature reduction (denoising variational auto-encoder; DVAE) dramatically reduced the number of features with no concomitant performance degradation. ⍰ Utilizing denoising variational autoencoder (DVAE) models improves generalizability across heterogeneous multi-site data compared with the traditional machine learning frameworks

Traumatic experiences have the potential to give rise to post-traumatic stress disorder (PTSD), a debilitating psychiatric condition associated with impairments in both social and occupational functioning. There has been great interest in utilizing machine learning approaches to predict the development of PTSD in trauma patients from clinician assessment or survey-based psychological assessments. However, these assessments require a large number of questions, which is time consuming and not easy to administer. In this paper, we aim to predict PTSD development of patients 3 months post-trauma from multiple survey-based assessments taken within 2 weeks post-trauma. Our objective is to

The performance of medical compression stockings can undergo notable changes after washing. This study aimed comprehensively to evaluate how the mechanical properties of medical compression stockings would be changed after undergoing washing under different conditions. We further investigated the effect of washing parameters on medical compression stockings. By subjecting medical compression stockings to washing under varying conditions, and measuring the mechanical properties (including the tensile properties, bending property, friction property, and bagging property) of medical compression stockings from the knee to the thigh, distinct alterations were observed. Notably, it was concluded that the elongation, the tension, and the bending rigidity of medical compression stockings increased. In addition, the residual rate of bagging was reduced after washing. In addition, the washing temperature was the most significant factor affecting the mechanical properties of medical compression stockings. Meanwhile, the mechanical actions of the washing machine, such as drum speed and washing time, also exerted varying degrees of influence on the mechanical properties of different medical compression stockings. Furthermore, this study not only provides essential guidance for consumers regarding effective washing practices for medical compression stockings, but also contributes valuable insights towards optimizing the mechanical properties of medical compression stockings to maintain their key properties.