Onderzoek naar de classificatieaccuratesse van Alzheimer is belangrijk om de ziekte in de toekomst beter te kunnen behandelen. In deze scriptie werden twee structurele MRI-maten geëvalueerd: grijze...Show moreOnderzoek naar de classificatieaccuratesse van Alzheimer is belangrijk om de ziekte in de toekomst beter te kunnen behandelen. In deze scriptie werden twee structurele MRI-maten geëvalueerd: grijze stofdichtheid (48 predictoren) en subcorticale volumes (14 predictoren). Deze scriptie onderzocht wat de toegevoegde waarde van subcorticale volumes bovenop grijze stofdichtheid is. Hierbij werd verwacht dat I) grijze stofdichtheid accurater was voor de classificatie van Alzheimer dan subcorticale volumes, maar dat II) subcorticale volumes nog wel iets zouden toevoegen aan grijze stofdichtheid. Om dit te onderzoeken, is data gebruikt van 249 participanten afkomstig uit twee verschillende studies. 76 participanten hadden de diagnose Alzheimer en de overige 173 participanten waren cognitief gezonde ouderen. Er zijn drie modellen gebruikt: een model van grijze stofdichtheid (48 predictoren), een model van subcorticale volumes (14 predictoren) en een combinatiemodel van grijze stofdichtheid en subcorticale volumes (62 predictoren). Voor alle modellen is een logistische regressieanalyse met geneste kruisvalidatie uitgevoerd. Het model van grijze stofdichtheid had een AUC-waarde van 0.897 en een MGA-waarde van 0.822. Het model van subcorticale volumes had een AUC-waarde van 0.807 en een MGA-waarde van 0.769. Het gecombineerde model had een AUCwaarde van 0.897 en een MGA-waarde van 0.841. De eerste hypothese werd bevestigd, aangezien grijze stofdichtheid belangrijker was voor de classificatieaccuratesse dan subcorticale volumes. De tweede hypothese kon niet worden bevestigd, aangezien subcorticale volumes weinig tot niets lijken toe te voegen aan grijze stofdichtheid voor de classificatieaccuratesse van Alzheimer. Deze kennis kan gebruikt worden om toekomstige classificatiemodellen van Alzheimer te verbeteren.Show less
Major depressive disorder (MDD) is one of the most prevalent disorders that affects people globally. It’s important to understand the efficacy of treatment to help patients suffering from it,...Show moreMajor depressive disorder (MDD) is one of the most prevalent disorders that affects people globally. It’s important to understand the efficacy of treatment to help patients suffering from it, especially treatment-resistant depression (TRD) patients. Understanding change through therapy is one way to understand the efficacy. In this paper, a search for response shift has been performed to identify it in psychedelic therapy. Response shift (RS) is a phenomenon of change in a person’s internal standards. It affects the results of self-report assessment methods and thus the conclusions drawn from it, by accounting for internal changes. Which could be helpful in providing insight into the change patients are going through internally. This paper uses data from a trial comparing psilocybin and escitalopram for depression. Data was analysed using Structural Equation Modelling (SEM) to identify the presence of response shift. Based on the results of the analysis the hypothesis of “RS is present with MDD patients’ PROs after receiving psychedelic therapy with either escitalopram or psilocybin at 6 weeks” was rejected. There was no significant difference between the measurement model and the response shift model which indicated the lack of presence of response shift. These results are a starting point to rule out RS from psychedelic therapy which could help with future interpretations of the topic. However, more research in the area could help confirm these results as there is no published previous research to further support the results.Show less
In dit onderzoek worden de CFI, de TLI, de RMSEA en de SRMR geëvalueerd bij het beoordelen van overall model fit voor onderzoeken met longitudinale data omdat dit niet eerder grondig is gedaan. Een...Show moreIn dit onderzoek worden de CFI, de TLI, de RMSEA en de SRMR geëvalueerd bij het beoordelen van overall model fit voor onderzoeken met longitudinale data omdat dit niet eerder grondig is gedaan. Een Monte Carlo simulatie wordt gebruikt om de invloed te onderzoeken van groepsgrootte, model complexiteit en samenhang tussen constructen op de proportie type 1 en type 2 fouten. Vooraf werd verwacht dat een grotere groepsgrootte voor meer type 1 en minder type 2 fouten zou zorgen, een gecompliceerder model voor meer type 1 en meer type 2 fouten en een hogere samenhang tussen de constructen voor minder type 1 en meer type 2 fouten. Na een beschrijvende analyse wordt de invloed van de verschillende condities verder beoordeeld via een logistische regressie analyse. Een kleinere groepsgrootte bleek zoals verwacht te zorgen voor meer type 1 fouten bij alle model fit indexen, dit effect is sterk. Op de proportie type 2 fouten had het alleen een gematigd effect op de SRMR. Bij de model complexiteit zorgt een toename in het aantal constructen enkel voor meer type 2 fouten. De samenhang tussen de constructen had weinig invloed, alleen op de type 2 fouten van de SRMR was het licht tot gematigd, waar een hogere samenhang zorgt voor meer type 2 fouten. Tot slot worden er aanbevelingen gedaan voor verder onderzoek.Show less