RONC-03. NEUROCOGNITIVE CHANGES AFTER RADIATION FOR PEDIATRIC BRAIN TUMOURS: WHICH BRAIN SUBSTRUCTURES ARE MOST IMPORTANT?
Notice bibliographique
Résumé
Abstract INTRODUCTION The contribution of different intracranial structures on neurocognitive decline after radiation therapy (RT) in children is unclear. METHODS This was a retrospective study of children with brain tumours treated from 2005 to 2017. Patients with longitudinal neurocognitive assessments and photon dosimetric data (if RT given) were included. Full scale intelligence quotient (FSIQ) was the primary endpoint; sub-indices of neurocognition were modelled separately (perceptual reasoning [PRI], processing speed [PSI], verbal comprehension [VCI] and working memory [WMI]). Multivariable linear mixed effects models were used to model endpoints, with age at diagnosis & dose to different brain regions as fixed effects and patient-specific random intercepts. RESULTS Sixty-nine patients were included; ten patients did not receive any RT (i.e. low-grade glioma). Median neurocognitive follow-up was 3.2 years. Right hippocampus mean dose was a strong predictor of declines in FSIQ (p < .001), VCI (p = 0.002) and PRI (p = 0.049). Dose to 50% of the supratentorial brain (D50) was the strongest predictor for WMI (p < .001) and PSI (p < .001). Each gray increase in mean right hippocampus dose resulted in a decrease of 0.038 FSIQ points/year. After adjusting for dose to brain substructures, younger age & presence of a ventriculoperitoneal shunt were also associated with decreased FSIQ. CONCLUSIONS Mean dose to the right hippocampus was associated with declines in FSIQ, VCI and PRI, while supratentorial brain D50 was associated with WMI and PSI. Efforts should be made to reduce unnecessary dose to these brain structures.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».