Predicting disability progression and cognitive worsening in multiple sclerosis using grey matter network measures
Notice bibliographique
Résumé
Abstract Objective In multiple sclerosis (MS), magnetic resonance imaging (MRI) measures at the whole brain or regional level are only modestly associated with disability, while network-based measures are emerging as promising prognostic markers. We sought to demonstrate whether data-driven network-based measures of regional grey matter (GM) volumes predict future disability in secondary progressive MS (SPMS). Methods We used cross-sectional structural MRI, and baseline and longitudinal data of Expanded Disability Status Scale [EDSS], 9-Hole Peg Test [9HPT], and Symbol Digit Modalities Test [SDMT], from a clinical trial in 988 people with progressive MS. We processed T1-weighted scans to obtain GM probability maps and applied spatial independent component analysis (ICA) to identify co-varying patterns of GM volume change. We used survival models to determine whether baseline GM network measures predict cognitive and motor worsening. Results We identified 15 networks of regionally co-varying GM features. Compared with whole brain GM, deep GM, and lesion volumes, ICA-components correlated more closely with clinical outcomes. A mainly basal ganglia component had the highest correlations at baseline with the SDMT and was associated with cognitive worsening (HR= 1.29, 95% CI [1.09-1.52], p< 0.005). Two ICA-components were associated with 9HPT worsening (HR=1.30, 95% CI [1.06:1.60], p<0.01; and HR= 1.21, 95%CI [1.01:1.45], p<0.05). Post-hoc analyses revealed that for 9HPT and SDMT survival models including network-based measures reported a higher discrimination power (respectively, C-index= 0.69, se= 0.03; C-index= 0.71, se= 0.02) compared to models including only whole and regional MRI measures (respectively, C-index= 0.65, se= 0.03; C-index= 0.69, se= 0.02). Conclusions The disability progression was better predicted by networks of covarying GM regions, rather than by single regional or whole-brain measures. Network analysis can be applied in future clinical trials and may play a role in stratifying participants who have the most potential to show a treatment effect.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».