Predicting severity and prognosis in Parkinson's disease from brain microstructure and connectivity
Notice bibliographique
Résumé
OBJECTIVES: Investigating biomarkers to demonstrate progression of Parkinson's disease (PD) is of high priority. We investigated the association of brain structural properties with progression of clinical outcomes and their ability to differentiate clinical subtypes of PD. METHODS: A comprehensive set of clinical features was evaluated at baseline and 4.5-year follow-up for 144 de-novo PD patients from the Parkinson's Progression Markers Initiative. We created a global composite outcome (GCO) by combining z-scores of non-motor and motor symptoms, motor signs, overall activities of daily living and global cognition, as a single numeric indicator of prognosis. We classified patients into three subtypes based on multi-domain clinical criteria: 'mild motor-predominant', 'intermediate' and 'diffuse-malignant'. We analyzed diffusion-weighted scans at the early drug-naïve stage and extracted fractional anisotropy and mean diffusivity (MD) of basal ganglia and cortical sub-regions. Then, we employed graph theory to calculate network properties and used network-based statistic to investigate our primary hypothesis. RESULTS: Baseline MD of globus pallidus was associated with worsening of motor severity, cognition, and GCO after 4.5 years of follow-up. Connectivity disruption at baseline was correlated with decline in cognition, and increase in GCO. Baseline MD of nucleus accumbens, globus pallidus and basal-ganglia were linked to clinical subtypes at 4.5-year of follow-up. Disruption in sub-cortical networks associated with being subtyped as 'diffuse-malignant' versus 'mild motor-predominant' after 4.5 years. CONCLUSIONS: Diffusion imaging analysis at the early de-novo stage of PD was able to differentiate clinical sub-types of PD after 4.5 years and was highly associated with future clinical outcomes of PD.
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 | 0,001 |
| 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) | 0,000 | 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 ».