Dynamic Changes in White Matter Abnormalities Correlate With Late Improvement and Deterioration Following TBI
Notice bibliographique
Résumé
OBJECTIVE: Traumatic brain injury (TBI) is not a single insult with monophasic resolution, but a chronic disease, with dynamic processes that remain active for years. We aimed to assess patient trajectories over the entire disease narrative, from ictus to late outcome. METHODS: Twelve patients with moderate-to-severe TBI underwent magnetic resonance imaging in the acute phase (within 1 week of injury) and twice in the chronic phase of injury (median 7 and 21 months), with some undergoing imaging at up to 2 additional time points. Longitudinal imaging changes were assessed using structural volumetry, deterministic tractography, voxel-based diffusion tensor analysis, and region of interest analyses (including corpus callosum, parasagittal white matter, and thalamus). Imaging changes were related to behavior. RESULTS: Changes in structural volumes, fractional anisotropy, and mean diffusivity continued for months to years postictus. Changes in diffusion tensor imaging were driven by increases in both axial and radial diffusivity except for the earliest time point, and were associated with changes in reaction time and performance in a visual memory and learning task (paired associates learning). Dynamic structural changes after TBI can be detected using diffusion tensor imaging and could explain changes in behavior. CONCLUSIONS: These data can provide further insight into early and late pathophysiology, and begin to provide a framework that allows magnetic resonance imaging to be used as an imaging biomarker of therapy response. Knowledge of the temporal pattern of changes in TBI patient populations also provides a contextual framework for assessing imaging changes in individuals at any given time point.
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 | 0,000 |
| 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) | 0,000 | 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 ».