Predicting Functional Outcome One Year After Traumatic Brain Injury With CT and MRI Findings
Notice bibliographique
Résumé
Background: The aim of this study was to evaluate the relative and combined impact of computed tomography (CT) and Magnetic resonance imaging (MRI) on functional outcome one year after traumatic brain injury (TBI). Methods: This study was a prospective, population-based study of 87 patients with a Glasgow Coma Scale (GCS) score ≤ 12 who were injured in 2005 - 2007 and hospitalized at Trauma Referral Centre in Eastern Norway. CT performed within 24 h post-injury was classified by Marshall classification scale. MRI performed one year post-injury was classified based on the presence or absence of diffuse axonal injuries (DAIs). The Glasgow Outcome Scale Extended (GOSE) was used as an outcome measure at the one-year follow-up. The predictions models were adjusted for clinical variables known to affect functional outcome. Results: Using CT, s mall lesions (Marshall group 2) were observed in 37 (42%) patients. Signs of increased intracranial pressure (Marshall groups 3 - 4) were present in 33 (38%) patients. Using MRI, DAI lesions were found in 70% of patients. In the linear regression analysis that explored relative impact of CT, CT was a significant predictor of GOSE (p = 0.08). Conclusions: The relative impact of CT findings of intracranial lesions in the acute settings and one-year MRI findings of DAI on functional outcome underscored the importance of using neuroimaging techniques when predicting functional outcomes after TBI. The better predictive value of MRI suggest that the detailed information about pathological brain lesions shown on late MR may help clinicians to administer more appropriate rehabilitation treatments to patients who are predicted to have a worse outcome at the one-year follow-up. doi: http://dx.doi.org/10.4021/jnr133w
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».