Galvanic Vestibular Stimulation Improves Subnetwork Interactions in Parkinson’s Disease
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Activating vestibular afferents via galvanic vestibular stimulation (GVS) has been recently shown to have a number of complex motor effects in Parkinson's disease (PD), but the basis of these improvements is unclear. The evaluation of network-level connectivity changes may provide us with greater insights into the mechanisms of GVS efficacy. Objective: To test the effects of different GVS stimuli on brain subnetwork interactions in both health control (HC) and PD groups using fMRI. Methods: FMRI data were collected for all participants at baseline (resting state) and under noisy, 1 Hz sinusoidal, and 70-200 Hz multisine GVS. All stimuli were given below sensory threshold, blinding subjects to stimulation. The subnetworks of 15 healthy controls and 27 PD subjects (on medication) were identified in their native space, and their subnetwork interactions were estimated by nonnegative canonical correlation analysis. We then determined if the inferred subnetwork interaction changes were affected by disease and stimulus type and if the stimulus-dependent GVS effects were influenced by demographic features. Results: At baseline, interactions with the visual-cerebellar network were significantly decreased in the PD group. Sinusoidal and multisine GVS improved (i.e., made values approaching those seen in HC) subnetwork interactions more effectively than noisy GVS stimuli overall. Worsening disease severity, apathy, depression, impaired cognitive function, and increasing age all limited the beneficial effects of GVS. Conclusions: Vestibular stimulation has widespread system-level brain influences and can improve subnetwork interactions in PD in a stimulus-dependent manner, with the magnitude of such effects associating with demographics and disease status.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle