Functional neuroimaging in Parkinson's disease
Notice bibliographique
Résumé
INTRODUCTION: Functional neuroimaging techniques have greatly contributed to improving our understanding of Parkinson's disease (PD) neurodegeneration and related compensatory mechanisms. AREAS COVERED: In this paper, the authors analyze the role of functional neuroimaging as a diagnostic tool in PD and review functional neuroimaging studies on PD progression and compensatory adaptations. Through this, the article provides the reader with sensible approaches for the use of functional neuroimaging in the diagnosis of PD. The reader is also provided with knowledge on the time course of nigrostriatal dopamine dysfunction in PD as well as an overview of the potential beneficial and deleterious effects of increased dopamine turnover. Finally, the reader is provided with a critical discussion of the differential effects of levodopa and dopamine agonists on presynaptic dopamine markers and the implications for the interpretation of clinical trials. EXPERT OPINION: Functional neuroimaging probably plays a limited role in the diagnosis of PD. Parkinson's disease pathology leads to an exponential decline in nigrostriatal dopamine function and a compensatory increase in dopamine turnover, which may help delay symptom onset. On the negative side, increased dopamine turnover contributes to the development of treatment-related motor complications. Presynaptic markers of dopamine function are subject to regulatory changes, compromising the direct interpretation of neuroimaging results in trials of neuroprotective therapies for PD.
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 | 0,000 | 0,002 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».