Dynamic pain connectome functional connectivity and oscillations reflect multiple sclerosis pain
Notice bibliographique
Résumé
Pain is a prevalent and debilitating symptom of multiple sclerosis (MS); yet, the mechanisms underlying this pain are unknown. Previous studies have found that the functional relationships between the salience network (SN), specifically the right temporoparietal junction a SN node, and other components of the dynamic pain connectome (default mode network [DMN], ascending and descending pathways) are abnormal in many chronic pain conditions. Here, we use resting-state functional magnetic resonance imaging and measures of static and dynamic functional connectivity (sFC and dFC), and regional BOLD variability to test the hypothesis that patients with MS have abnormal DMN-SN cross-network sFC, dFC abnormalities in SN-ascending and SN-descending pathways, and disrupted BOLD variability in the dynamic pain connectome that relates to pain inference and neuropathic pain (NP). Thirty-one patients with MS and 31 controls completed questionnaires to characterize pain and pain interference, and underwent a resting-state functional magnetic resonance imaging scan from which measures of sFC, dFC, and BOLD variability were compared. We found that (1) ∼50% of our patients had NP features, (2) abnormalities in SN-DMN sFC were driven by the mixed-neuropathic subgroup, (3) in patients with mixed NP, dFC measures showed that there was a striking change in how the SN was engaged with the ascending nociceptive pathway and descending modulation pathway, (4) BOLD variability was increased in the DMN, and (5) the degrees of sFC and BOLD variability abnormalities were related to pain interference. We propose that abnormal SN-DMN cross-network FC and temporal dynamics within and between regions of the dynamic pain connectome reflect MS pain features.
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 | 0,012 | 0,171 |
| 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 | 0,001 | 0,001 |
| 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 ».