Central Slab versus Whole Brain to Measure Brain Atrophy in Multiple Sclerosis
Notice bibliographique
Résumé
BACKGROUND: Structural Image Evaluation using Normalization of Atrophy (SIENA) is used to measure brain atrophy in multiple sclerosis (MS). However, brain extraction is prone to artefacts in the upper and lower parts of the brain. To overcome these shortcomings, some pivotal MS trials used a central slab instead of the whole brain as input for SIENA. The aim of this study was to compare the internal consistency and statistical dispersion of atrophy measures, associations with clinical outcomes and required sample sizes in clinical trials between these two approaches. METHODS: Brain volume change was assessed using SIENA in 119 MS patients with 5-years follow-up on 3D T1-weighted Magnetization Prepared Rapid Gradient Echo datasets using the whole brain or a central slab ranging from -10 to +60 mm Montreal Neurological Institute atlas coordinates. The statistical analysis included the quartile coefficient of dispersion, partial correlations with clinical outcomes and sample size calculations. Clinical outcome measures comprised the Expanded Disability Status Scale, MS Functional Composite and Symbol Digit Modalities Test. RESULTS: Annualized brain atrophy rates were higher using central slab than whole brain as input for SIENA (-0.51 ± 0.49 vs. -0.37 ± 0.39% per year, p < 0.001). Central and whole brain volume change showed comparable statistical dispersion and similarly correlated with clinical outcomes at 5-years follow-up. Sample size calculations estimated 14% fewer patients required to detect a given treatment effect when using the central slab instead of the whole brain option in SIENA. CONCLUSION: Central slab and whole brain SIENA produced comparable statistical dispersion with similar associations to clinical outcomes.
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 | 0,007 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 ».