MétaCan
Menu
Retour à la cohorte
Enregistrement W3092145373 · doi:10.1016/j.neuroimage.2020.117439

Cortico-spinal imaging to study pain

2020· review· en· W3092145373 sur OpenAlexafffund
Alexandra Tinnermann, Christian Büchel, Julien Cohen‐Adad

Notice bibliographique

RevueNeuroImage · 2020
Typereview
Langueen
DomaineMedicine
ThématiquePain Mechanisms and Treatments
Établissements canadiensUniversité de MontréalPolytechnique MontréalMontreal Neurological Institute and Hospital
Organismes subventionnairesCanadian Institutes of Health ResearchCanada First Research Excellence FundDeutsche ForschungsgemeinschaftMax-Planck-GesellschaftNatural Sciences and Engineering Research Council of CanadaInstitut de Valorisation des DonnéesBundesministerium für Bildung und Forschung
Mots-clésSpinal cordFunctional magnetic resonance imagingMagnetic resonance imagingNeuroscienceNeuroimagingPerceptionMedicinePsychologyComputer sciencePhysical medicine and rehabilitationRadiology

Résumé

récupéré en direct d'OpenAlex

Functional magnetic resonance imaging of the brain has helped to reveal mechanisms of pain perception in health and disease. Recently, imaging approaches have been developed that allow recording neural activity simultaneously in the brain and in the spinal cord. These approaches offer the possibility to examine pain perception in the entire central pain system and in addition, to investigate cortico-spinal interactions during pain processing. Although cortico-spinal imaging is a promising technique, it bears challenges concerning data acquisition and data analysis strategies. In this review, we discuss studies that applied simultaneous imaging of the brain and spinal cord to explore central pain processing. Furthermore, we describe different MR-related acquisition techniques, summarize advantages and disadvantages of approaches that have been implemented so far and present software that has been specifically developed for the analysis of spinal fMRI data to address challenges of spinal data analysis.

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), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,992
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
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)0,0000,001

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 Opus0,076
Tête enseignante GPT0,390
Écart entre enseignants0,314 · 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'étudeSans objet
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

Citations46
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNeuroImageMême sujetPain Mechanisms and TreatmentsTravaux en français237 207