Multi-Directional Dynamic Model for Traumatic Brain Injury Detection
Notice bibliographique
Résumé
Given the worldwide adverse impact of traumatic brain injury (TBI) on the human population, its diagnosis and prediction are of utmost importance. Historically, many studies have focused on associating head kinematics to brain injury risk. Recently, there has been a push toward using computationally expensive finite element (FE) models of the brain to create tissue deformation metrics of brain injury. Here, we develop a new brain injury metric, the brain angle metric (BAM), based on the dynamics of a 3 degree-of-freedom lumped parameter brain model. The brain model is built based on the measured natural frequencies of an FE brain model simulated with live human impact data. We show that it can be used to rapidly estimate peak brain strains experienced during head rotational accelerations that cause mild TBI. In our data set, the simplified model correlates with peak principal FE strain (R2 = 0.82). Further, coronal and axial brain model displacement correlated with fiber-oriented peak strain in the corpus callosum (R2 = 0.77). Our proposed injury metric BAM uses the maximum angle predicted by our brain model and is compared against a number of existing rotational and translational kinematic injury metrics on a data set of head kinematics from 27 clinically diagnosed injuries and 887 non-injuries. We found that BAM performed comparably to peak angular acceleration, translational acceleration, and angular velocity in classifying injury and non-injury events. Metrics that separated time traces into their directional components had improved model deviance compare with those that combined components into a single time trace magnitude. Our brain model can be used in future work to rapidly approximate the peak strain resulting from mild to moderate head impacts and to quickly assess brain injury risk.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».