Functional Connectivity-Derived Optimal Gestational-Age Cut Points for Fetal Brain Network Maturity
Notice bibliographique
Résumé
The architecture of the human connectome changes with brain maturation. Pivotal to understanding these changes is defining developmental periods when transitions in network topology occur. Here, using 110 resting-state functional connectivity data sets from healthy fetuses between 19 and 40 gestational weeks, we estimated optimal gestational-age (GA) cut points for dichotomizing fetuses into 'young' and 'old' groups based on global network features. We computed the small-world index, normalized clustering and path length, global and local efficiency, and modularity from connectivity matrices comprised 200 regions and their corresponding pairwise connectivity. We modeled the effect of GA at scan on each metric using separate repeated-measures generalized estimating equations. Our modeling strategy involved stratifying fetuses into 'young' and 'old' based on the scan occurring before or after a selected GA (i.e., 28 to 33). We then used the quasi-likelihood independence criterion statistic to compare model fit between 'old' and 'young' cohorts and determine optimal cut points for each graph metric. Trends for all metrics, except for global efficiency, decreased with increasing gestational age. Optimal cut points fell within 30-31 weeks for all metrics coinciding with developmental events that include a shift from endogenous neuronal activity to sensory-driven cortical patterns.
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 | 0,002 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».