Brain white matter microstructure in end‐stage kidney disease, cognitive impairment, and circulatory stress
Notice bibliographique
Résumé
Abstract Introduction : Structural and functional brain white matter abnormalities are poorly characterized in patients with end‐stage kidney disease. Methods : We examined the prevalence of the brain white matter microstructure disruption using diffusion tensor magnetic resonance imaging and its association with hemodynamic performance and cognitive defects in 49 incident hemodialysis (HD) patients and compared these to 25 age‐matched normal controls. We analyzed fractional anisotropy (FA) and mean diffusivity (MD) maps of the images, a voxelwise statistical analysis was done using tract‐based spatial statistics. Hemodynamic assessment was done using extrema points analysis model of continuous blood pressure monitoring. Findings: We found significant white matter damage in HD patients compared with normal controls (peak FA 0.471 ± 0.031 vs 0.486 ± 0.022 P = 0.023, peak MD 0.00194 ± 0.000363 10 −3 mm 2 .s −1 vs 0.00167 ± 0.0003 10 −3 mm 2 .s −1 P = 0.002). There was diffuse pattern of white matter damage in HD patients, which was independent of age, gender, and the presence of ischaemic heart disease and diabetes with significantly lower FA values in HD patients than normal controls (0.467 ± 0.037 vs 0.507 ± 0.026, P < 0.05 corrected for family wise error. HD patients had worse cognitive scores that correlated with white matter damage (for peak FA, Montreal cognitive assessment r = 0.478 P = 0.001, Trail A r = −0.486 P = 0.001, Trail B r = −0.464 P = 0.001; for peak MD, Montreal cognitive assessment r = −0.533 P < 0.001, Trail A r = 0.641 P < 0.001, Trail B r = 0.514 P < 0.001). In a multivariable linear regression analysis that included age, smoking, the presence of ischaemic heart disease, and diabetes mellitus, higher frequency of mean arterial blood pressure extrema points during HD was independently associated with white matter damage (β = −0.296, P = 0.036, Adjusted R 2 for the whole model = 0.400). Discussion: End‐stage kidney disease patients on HD have more brain white matter damage and cognitive impairment than age‐matched controls that are linked to hemodynamic functional measures.
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 | 0,000 |
| 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) | 0,009 | 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 ».