Magnetic Resonance Imaging Biomarkers of Brain Connectivity in Predicting Outcome after Mild Traumatic Brain Injury: A Systematic Review
Notice bibliographique
Résumé
There is growing interest in developing magnetic resonance imaging (MRI) biomarkers of brain connectivity from resting-state functional (rs-fMRI) and diffusion tensor imaging (DTI) to aid in the diagnosis and management of patients with mild traumatic brain injury (mTBI). To determine whether early MRI biomarkers of brain connectivity are useful in predicting outcome after mTBI, we conducted a systematic review using the following inclusion criteria: 1) patients aged >16 years with mTBI, 2) MRI performed during the first month post-injury, 3) outcome measure available, 4) control group, and 5) original article published in a peer-reviewed journal. Of the 1351 citations identified, 14 studies met inclusion criteria (5 rs-fMRI and 10 DTI; 680 patients with mTBI vs. 436 controls) including those where MRI was performed from <12 h to 1 month post-injury. The most common clinical outcome measure used in these studies was symptom burden using the Rivermead Post-Concussion Questionnaire. The most frequently studied brain connectivity MRI biomarkers were global functional connectivity, default-mode network, and fractional anisotropy (FA). Despite the scant evidence and considerable methodological heterogeneity observed among studies, we conclude that brain connectivity MRI biomarkers obtained within 1 month of injury may be potentially useful in predicting outcome in mTBI. Further longitudinal studies are needed to evaluate the effect of mTBI on MRI-based brain connectivity biomarkers and examine how incorporation of these tests can inform the clinical care of individual mTBI patients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».