Weighted network measures reveal differences between dementia types: An EEG study
Notice bibliographique
Résumé
The diagnosis of dementia with Lewy bodies (DLB) versus Alzheimer's disease (AD) can be difficult especially early in the disease process. However, one inexpensive and non-invasive biomarker which could help is electroencephalography (EEG). Previous studies have shown that the brain network architecture assessed by EEG is altered in AD patients compared with age-matched healthy control people (HC). However, similar studies in Lewy body diseases, that is, DLB and Parkinson's disease dementia (PDD) are still lacking. In this work, we (a) compared brain network connectivity patterns across conditions, AD, DLB and PDD, in order to infer EEG network biomarkers that differentiate between these conditions, and (b) tested whether opting for weighted matrices led to more reliable results by better preserving the topology of the network. Our results indicate that dementia groups present with reduced connectivity in the EEG α band, whereas DLB shows weaker posterior-anterior patterns within the β-band and greater network segregation within the θ-band compared with AD. Weighted network measures were more consistent across global thresholding levels, and the network properties reflected reduction in connectivity strength in the dementia groups. In conclusion, β- and θ-band network measures may be suitable as biomarkers for discriminating DLB from AD, whereas the α-band network is similarly affected in DLB and PDD compared with HC. These variations may reflect the impairment of attentional networks in Parkinsonian diseases such as DLB and PDD.
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 | 0,001 |
| 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 | 0,001 | 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 ».