Diffusion-Weighted Magnetic Resonance Imaging Improves Outcome Prediction in Adult Traumatic Brain Injury
Notice bibliographique
Résumé
In patients with traumatic brain injury (TBI), diffuse axonal injury (DAI) accounts for a significant amount of parenchymal injury. Diffusion weighted magnetic resonance imaging (DWI) is known to be sensitive for detecting visible DAI lesions. We focused on detection of non-visible, quantifiable diffusion changes in specific normal-appearing brain regions, using apparent diffusion coefficient (ADC) maps. Thirty-seven adults with TBI were compared to 35 age-matched control patients. DWI was performed and ADC maps were generated. Thirty-one regions of interest (ROI) were manually drawn on ADC maps and ADC values extracted. Brain ROIs were categorized into five zones: peripheral gray matter, peripheral white matter, deep gray matter, deep white matter, and posterior fossa. ADC results were compared with the severity of injury based on the admission Glasgow Coma Scale (GCS 3-8; severe; GSC 9-15 mild/moderate) and with long-term outcome (6-12 months after injury) using the Glasgow Outcome Scale (GOS 1-3, unfavorable; GOS: 4-5, favorable) score. Mean ADC values in all five brain zones were significantly different between TBI subjects and controls (p<or=0.05). Patients with more severe injury (i.e., GCS 3-8) had significantly different mean ADC values than control patients (p<or=0.05) and patients with unfavorable outcomes had significantly higher mean deep gray and white matter ADC values compared to those with favorable outcomes and to controls (p<or=0.05). Thus, ADC maps can be used to detect non-visible DAI lesions. In addition, injuries in the deep gray and white matter may be useful to predict outcome in adult TBI patients.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».