Diffusion <scp>MRI</scp> abnormalities in adolescent rats given repeated mild traumatic brain injury
Notice bibliographique
Résumé
OBJECTIVE: Mild traumatic brain injury (mTBI) is a serious health concern in the adolescent population. Repeated mTBI may result in more pronounced deficits, and has been associated with long-term neurological consequences including neurodegeneration. As such, there is a critical need for the development of objective mTBI biomarkers to help guide medical management. Diffusion-weighted imaging (DWI) is an advanced magnetic resonance imaging (MRI) technique that may detect brain abnormalities after mTBI. Diffusion tensor imaging (DTI) is the most commonly applied DWI method, and initial studies have reported DTI changes in mTBI patients. Furthermore, new DWI methods (e.g., track-weighted imaging; TWI) are being developed that may also be sensitive to mTBIs, but remain to be comprehensively studied. METHODS: This study utilized the Awake Closed Head Injury (ACHI) model of mTBI to investigate changes in DTI and TWI following repeated mTBI in adolescent male and female rats. A total of four ACHI impacts, two/day over two consecutive days, were delivered beginning on postnatal day 25. At 1 day and 7 days postinjury, rats were euthanized and brains were collected for DWI analyses. RESULTS: Rats given repeated mTBI displayed changes in fractional anisotropy and radial diffusivity (i.e., DTI measures), as well as track density (i.e., TWI). INTERPRETATION: These findings are consistent with initial DTI findings in mTBI patients, suggest that TWI may complement DTI, support the utility of DWI measures as biomarkers in mTBI, and further validate the ACHI rat model of mTBI.
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 | 0,001 |
| 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 ».