Assessment of White Matter Integrity after Pediatric Traumatic Brain Injury
Notice bibliographique
Résumé
White matter (WM) abnormalities, such as atrophy and hyperintensities (WMH), can be accessed via magnetic resonance imaging (MRI) after pediatric traumatic brain injury (TBI). Several methods are available to classify WM abnormalities (i.e., total WM volumes and WMHs), but automated and manual volumes and clinical ratings have yet to be compared in pediatric TBI. In addition, WM integrity has been associated reliably with processing speed. Consequently, methods of assessing WM integrity should relate to processing speed to have clinical application. This study had two goals: (1) to compare Scheltens rating scale, manual tracing, FreeSurfer, and NeuroQuant ® methods of assessing WM abnormalities, and (2) to relate WM methods to processing speed scores. We report findings from the Social Outcomes of Brain Injury in Kids (SOBIK) study, a multi-center study of 60 children with chronic TBI (65% male) from ages 8–13. Scheltens WMH ratings had good to excellent agreement with WMH volumes for both NeuroQuant (ICC = 0.62; r = 0.29, p = 0.005) and manual tracing (ICC = 0.82; r = 0.50, p = 0.000). NeuroQuant WMH volumes did not correlate with manually traced WMH volumes (r = 0.12, p = 0.21) and had poor agreement (ICC = 0.24). NeuroQuant and FreeSurfer total WM volumes correlated (r = 0.38, p = 0.004) and had fair agreement (ICC = 0.52). The WMH assessment methods, both ratings and volumes, were associated with processing speed scores. In contrast, total WM volume was not related to processing speed. Measures of WMH may hold clinical utility for predicting cognitive functioning after pediatric TBI.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».