Imaging outcome measures of neuroprotection and repair in MS
Notice bibliographique
Résumé
Objective To summarize current and emerging imaging techniques that can be used to assess neuroprotection and repair in multiple sclerosis (MS), and to provide a consensus opinion on the potential utility of each technique in clinical trial settings. \n \nMethods Clinicians and scientists with expertise in the use of MRI in MS convened in Toronto, Canada, in November 2016 at a North American Imaging in Multiple Sclerosis (NAIMS) Cooperative workshop meeting. The discussion was compiled into a manuscript and circulated to all NAIMS members in attendance. Edits and feedback were incorporated until all authors were in agreement. \n \nResults A wide spectrum of imaging techniques and analysis methods in the context of specific study designs were discussed, with a focus on the utility and limitations of applying each technique to assess neuroprotection and repair. Techniques were discussed under specific themes, and included conventional imaging, magnetization transfer ratio, diffusion tensor imaging, susceptibility-weighted imaging, imaging cortical lesions, magnetic resonance spectroscopy, PET, advanced diffusion imaging, sodium imaging, multimodal techniques, imaging of special regions, statistical considerations, and study design. \n \nConclusions Imaging biomarkers of neuroprotection and repair are an unmet need in MS. There are a number of promising techniques with different strengths and limitations, and selection of a specific technique will depend on a number of factors, notably the question the trial seeks to answer. Ongoing collaborative efforts will enable further refinement and improved methods to image the effect of novel therapeutic agents that exert benefit in MS predominately through neuroprotective and reparative mechanisms.
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 | 0,001 |
| 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 ».