The association between resting‐state functional magnetic resonance imaging and aortic pulse‐wave velocity in healthy adults
Notice bibliographique
Résumé
Resting-state functional magnetic resonance imaging (rs-fMRI) is frequently used to study brain function; but, it is unclear whether BOLD-signal fluctuation amplitude and functional connectivity are associated with vascular factors, and how vascular-health factors are reflected in rs-fMRI metrics in the healthy population. As arterial stiffening is a known age-related cardiovascular risk factor, we investigated the associations between aortic stiffening (as measured using pulse-wave velocity [PWV]) and rs-fMRI metrics. We used cardiac MRI to measure aortic PWV (an established indicator of whole-body vascular stiffness), as well as dual-echo pseudo-continuous arterial-spin labeling to measure BOLD and CBF dynamics simultaneously in a group of generally healthy adults. We found that: (1) higher aortic PWV is associated with lower variance in the resting-state BOLD signal; (2) higher PWV is also associated with lower BOLD-based resting-state functional connectivity; (3) regions showing lower connectivity do not fully overlap with those showing lower BOLD variance with higher PWV; (4) CBF signal variance is a significant mediator of the above findings, only when averaged across regions-of-interest. Furthermore, we found no significant association between BOLD signal variance and systolic blood pressure, which is also a known predictor of vascular stiffness. Age-related vascular stiffness, as measured by PWV, provides a unique scenario to demonstrate the extent of vascular bias in rs-fMRI signal fluctuations and functional connectivity. These findings suggest that a substantial portion of age-related rs-fMRI differences may be driven by vascular effects rather than directly by brain function.
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) | 0,000 | 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 ».