MétaCan
Menu
Retour à la cohorte
Enregistrement W3005992334 · doi:10.1002/mds.27996

Debugging Adaptive Deep Brain Stimulation for Parkinson's Disease

2020· review· en· W3005992334 sur OpenAlexfundno aff
Simon Little, Peter Brown

Notice bibliographique

RevueMovement Disorders · 2020
Typereview
Langueen
DomaineMedicine
ThématiqueNeurological disorders and treatments
Établissements canadiensnon disponible
Organismes subventionnairesMedical Research CouncilRosetrees TrustMedical Research Council CanadaWellcome Trust
Mots-clésDeep brain stimulationStimulationParkinson's diseasePhysical medicine and rehabilitationMedicineNeuroscienceClinical trialBrain stimulationDiseasePsychologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

Deep brain stimulation (DBS) is a successful treatment for patients with Parkinson's disease. In adaptive DBS, stimulation is titrated according to feedback about clinical state and underlying pathophysiology. This contrasts with conventional stimulation, which is fixed and continuous. In acute trials, adaptive stimulation matches the efficacy of conventional stimulation while delivering about half the electrical energy. The latter means potentially fewer side-effects. The next step is to determine the long-term efficacy, efficiency, and side-effect profile of adaptive stimulation, and chronic trials are currently being considered by the medical devices industry. However, there are several different approaches to adaptive DBS, and several possible limitations have been highlighted. Here we review the findings to date to ascertain how and who to stimulate in chronic trials designed to establish the long-term utility of adaptive DBS. © 2020 International Parkinson and Movement Disorder Society.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,988
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,046
Tête enseignante GPT0,327
Écart entre enseignants0,281 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations129
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMovement DisordersMême sujetNeurological disorders and treatmentsTravaux en français237 207