Diffusion Tensor Imaging Correlates of Concussion Related Cognitive Impairment
Notice bibliographique
Résumé
Introduction: Cognitive impairment after concussion has been widely reported, but there is no reliable imaging biomarker that predicts the severity of cognitive decline post-concussion. This study tests the hypothesis that patients with a history of concussion and persistent cognitive impairment have fractional anisotropy (FA) and mean diffusivity (MD) values from diffusion tensor imaging (DTI) that are specifically associated with poor performance on the Montreal Cognitive Assessment (MoCA). Methods: Fifty-three subjects (19 females) with concussions and persistent cognitive symptoms had MR imaging and the MoCA. Imaging was analyzed by atlas-based, whole-brain DTI segmentation and FLAIR lesion segmentation. Then, we conducted a random forest-based recursive feature elimination (RFE) with 10-fold cross-validation on the entire dataset, and with partial correlation adjustment for age and lesion load. Results: RFE showed that 11 DTI variables were found to be important predictors of MoCA scores. Partial correlation analyses, corrected for age and lesion load, showed significant correlations between MoCA scores and right fronto-temporal regions: inferior temporal gyrus MD ( r = −0.62, p = 0.00001), middle temporal gyrus MD ( r = −0.54, p = 0.0001), angular gyrus MD ( r = −0.48, p = 0.0008), and inferior frontal gyrus FA ( r = 0.44, p = 0.002). Discussion: This is the first study to demonstrate a correlation between MoCA scores and DTI variables in patients with a history of concussion and persistent cognitive impairment. This kind of research will significantly increase our understanding of why certain persons have persistent cognitive changes after concussion which, in turn, may allow us to predict persistent impairment after concussion and suggest new interventions.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».