Network analysis identifies consensus physiological measures of neurovascular coupling in humans
Notice bibliographique
Résumé
Intimate communication between neural and vascular structures is required to match neuronal metabolism to blood flow, a process termed neurovascular coupling. The number of laboratories assessing neurovascular coupling in humans is increasing due to clinical interest in disease states, and basic science interest in a non-anesthetized, non-craniotomized, unrestrained, in vivo model. However, there is a lack of knowledge regarding how best to characterize the neurovascular response. To address this knowledge gap, we have amassed a highly powered human neurovascular coupling dataset, and deployed a network-based approach to reveal the most powerful and consistent metrics for quantifying neurovascular coupling. Using dimensionality reduction, community-based clustering, and majority-voting of traditional metrics (e.g. peak response, time to peak) and non-traditional metrics (e.g. varying time windows, pulsatility), we have identified which of the existing metrics predominantly characterize the neurovascular coupling response, are stable within and across participants, and explain the vast majority of the variance within our dataset of over 300 trials. We then harnessed our empirical approach to generate powerful novel metrics of neurovascular coupling, termed iAmplitude, iRate, and iPulsatility, which increase sensitivity when capturing population differences. These metrics may be useful to optimally understand neurovascular coupling in health and disease.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 | 0,000 |
| 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 ».