Can Animal Models Contribute to Understanding Tinnitus Heterogeneity in Humans?
Notice bibliographique
Résumé
The brain activity of humans with tinnitus of various etiologies is typically studied with electro- and magneto-encephalography and functional magnetic resonance imaging-based imaging techniques. Consequently, they measure population responses and mostly from the neocortex. The latter also underlies changes in neural networks that may be attributed to tinnitus. However, factors not strictly related to tinnitus such as hearing loss and hyperacusis, as well as other co-occurring disorders play a prominent role in these changes. Different types of tinnitus can often not be resolved with these brain-imaging techniques. In animal models of putative behavioral signs of tinnitus, neural activity ranging from auditory nerve to auditory cortex, is studied largely by single unit recordings, augmented by local field potentials (LFPs), and the neural correlates of tinnitus are mainly based on spontaneous neural activity, such as spontaneous firing rates and pair-wise spontaneous spike-firing correlations. Neural correlates of hyperacusis rely on measurement of stimulus-evoked activity and are measured as increased driven firing rates and LFP amplitudes. Connectivity studies would rely on correlated neural activity between pairs of neurons or LFP amplitudes, but are only recently explored. In animal models of tinnitus, only two etiologies are extensively studied; tinnitus evoked by salicylate application and by noise exposure. It appears that they have quite different neural biomarkers. The unanswered question then is: does this different etiology also result in different tinnitus?
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| 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 ».