Perfusion reduction in the absence of structural differences in cognitively impaired versus unimpaired RRMS patients
Notice bibliographique
Résumé
BACKGROUND: Cognitive impairment affects 40%-68% of relapsing-remitting multiple sclerosis (RRMS) patients. Gray matter (GM) demyelination is complicit in cognitive impairment, yet cortical lesions are challenging to image clinically. We wanted to determine whether cortical cerebral blood flow (CBF), cerebral blood volume (CBV), and mean transit time (MTT) differences exist between cognitively impaired (CI) and unimpaired (NI) RRMS. METHODS: Prospective study of healthy controls (n = 19), CI (n = 20), and NI (n = 19) undergoing magnetic resonance imaging (MRI) and cognitive testing <1 week apart. White matter (WM) T2 hyperintense lesions and T1 black holes were traced. General linear regression assessed the relationship between lobar WM volume and cortical and WM CBF, CBV, and MTT. Relationship between global and lobar cortical CBF, CBV, and MTT and cognitive impairment was tested using a generalized linear model. Adjusted Bonferroni p < 0.005 was considered significant. RESULTS: No significant differences for age, gender, disease duration, and any fractional brain or lesion volume were demonstrated for RRMS subgroups. Expanded Disability Status Scale (EDSS) and Hospital Anxiety and Depression Scale-Depression (HADS-D) were higher in CI. Lobar cortical CBF and CBV were associated with cognitive impairment (p < 0.0001) after controlling for confounders. Cortical CBV accounted for 7.2% of cognitive impairment increasing to 8.7% with cortical CBF (p = 0.06), while WM and cortical CBF accounted for 8.2% of variance (p = 0.04). CONCLUSION: Significant cortical CBF and CBV reduction was present in CI compared to NI in the absence of structural differences.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».