Interhemispheric Pathways Are Important for Motor Outcome in Individuals with Chronic and Severe Upper Limb Impairment Post Stroke
Notice bibliographique
Résumé
Background . Severity of arm impairment alone does not explain motor outcomes in people with severe impairment post stroke. Objective . Define the contribution of brain biomarkers to upper limb motor outcomes in people with severe arm impairment post stroke. Methods . Paretic arm impairment (Fugl-Meyer upper limb, FM-UL) and function (Wolf Motor Function Test rate, WMFT-rate) were measured in 15 individuals with severe (FM-UL ≤ 30/66) and 14 with mild–moderate (FM-UL > 40/66) impairment. Transcranial magnetic stimulation and diffusion weight imaging indexed structure and function of the corticospinal tract and corpus callosum. Separate models of the relationship between possible biomarkers and motor outcomes at a single chronic (≥6 months) time point post stroke were performed. Results . Age (Δ R 2 0.365, p = 0.017 ) and ipsilesional-transcallosal inhibition (Δ R 2 0.182, p = 0.048 ) explained a 54.7% ( p = 0.009 ) variance in paretic WMFT-rate. Prefrontal corpus callous fractional anisotropy (PF-CC FA) alone explained 49.3% ( p = 0.007 ) variance in FM-UL outcome. The same models did not explain significant variance in mild–moderate stroke. In the severe group, k-means cluster analysis of PF-CC FA distinguished two subgroups, separated by a clinically meaningful and significant difference in motor impairment ( p = 0.049 ) and function ( p = 0.006 ) outcomes. Conclusion . Corpus callosum function and structure were identified as possible biomarkers of motor outcome in people with chronic and severe arm impairment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».