Predicting Early Post-stroke Aphasia Outcome From Initial Aphasia Severity
Notice bibliographique
Résumé
Background: The greatest degree of language recovery in post-stroke aphasia takes place within the first weeks. Aphasia severity and lesion measures have been shown to be good predictors of long-term outcomes. However, little is known about their implications in early spontaneous recovery. The present study sought to determine which factors better predict early language outcomes in individuals with post-stroke aphasia. Methods: Twenty individuals with post-stroke aphasia were assessed < 72 hours (acute) and 10-14 days (subacute) after stroke onset. We developed a composite score (CS) consisting of several linguistic sub-tests: repetition, oral comprehension and naming. Lesion volume, lesion load and diffusion measures (fractional anisotropy (FA) and axial diffusivity (AD)) from both arcuate fasciculi (AF) were also extracted using MRI scans performed at the same time points. A series of regression analyses were performed to predict the CS at the second assessment. Results: Among the diffusion measures, only FA from right AF was found to be a significant predictor of early subacute aphasia outcome. However, when combined in two hierarchical models with FA, age and either lesion load or lesion size, the initial aphasia severity was found to account for most of the variance (R2 = 0.678), similarly to the complete models (R2 = 0.703 and R2 = 0.73, respectively). Conclusions: Initial aphasia severity was the best predictor of early post-stroke aphasia outcome, whereas lesion measures, though highly correlated, show less influence on the prediction model. We suggest that factors predicting early recovery may differ from those involved in long-term recovery.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».