Guidelines for the conduct of clinical trials in spinal cord injury: Neuroimaging biomarkers
Notice bibliographique
Résumé
Traumatic spinal cord injury (SCI) leads to immediate neuronal and axonal damage at the focal injury site and triggers secondary pathologic series of events resulting in sensorimotor and autonomic dysfunction below the level of injury. Although there is no cure for SCI, neuroprotective and regenerative therapies show promising results at the preclinical stage. There is a pressing need to develop non-invasive outcome measures that can indicate whether a candidate therapeutic agent or a cocktail of therapeutic agents are positively altering the underlying disease processes. Recent conventional MRI studies have quantified spinal cord lesion characteristics and elucidated their relationship between severity of injury to clinical impairment and recovery. Next to the quantification of the primary cord damage, quantitative MRI measures of spinal cord (rostrocaudally to the lesion site) and brain integrity have demonstrated progressive and specific neurodegeneration of afferent and efferent neuronal pathways. MRI could therefore play a key role to ultimately uncover the relationship between clinical impairment/recovery and injury-induced neurodegenerative changes in the spinal cord and brain. Moreover, neuroimaging biomarkers hold promises to improve clinical trial design and efficiency through better patient stratification. The purpose of this narrative review is therefore to propose a guideline of clinically available MRI sequences and their derived neuroimaging biomarkers that have the potential to assess tissue damage at the macro- and microstructural level after SCI. In this piece, we make a recommendation for the use of key MRI sequences-both conventional and advanced-for clinical work-up and clinical trials.
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 | 0,029 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».