Increased mean R2* in the deep gray matter of multiple sclerosis patients: Have we been measuring atrophy?
Notice bibliographique
Résumé
BACKGROUND: Magnetic resonance relaxometry studies in multiple sclerosis (MS) have suggested that iron accumulates within deep gray matter (DGM) structures early in the disease course. However, the commonly utilized mean R2* and magnetic susceptibility measures reflect regional iron concentration but not a structure's total iron content. Thus, tissue atrophy could impact mean R2* and magnetic susceptibility estimates. PURPOSE: To demonstrate that both average iron concentration and total iron content need to be reported in order to distinguish between atrophy-related and definite magnetic susceptibility changes. STUDY TYPE: Observational. POPULATION: The study was performed on 30 healthy controls (HCs) and 39 people with definite MS. FIELD STRENGTH/SEQUENCE: 3T Philips Achieva using an 8-channel SENSE head coil. R2* data were acquired using a multiecho gradient echo sequence and diffusion tensor imaging data were acquired using an echo-planar sequence. ASSESSMENT: ) and compared to the mean R2* as a measure of iron concentration. STATISTICAL TEST: Significant group differences were investigated in a linear regression model. All DGM structures were assessed individually and the significance threshold was adjusted using the Bonferroni-Holm correction for multiple comparisons. RESULTS: in patients was found to be lower in the thalamus and the caudate (P = 0.0011) compared to HCs, and similar between the two cohorts in the other DGM regions. DATA CONCLUSION: as an additional metric to account for the effects of tissue atrophy when assessing tissue content changes, such as iron deposition or loss. LEVEL OF EVIDENCE: 1 Technical Efficacy: Stage 1 J. Magn. Reson. Imaging 2019;50:201-208.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».