Functional connectivity pre-post exercise intervention in individuals with relapsing-remitting multiple sclerosis
Notice bibliographique
Résumé
OBJECTIVE: Exercise interventions have emerged as a promising approach for managing symptoms associated with multiple sclerosis (MS). However, changes in brain function underlying exercise-related improvements in symptoms of MS have not been fully investigated, and in no instances have they been investigated using a graph theory approach. For the first time, the effects of an exercise intervention on functional brain network connectivity were examined using graph theory analyses of resting-state functional MRI (fMRI) data among individuals with relapsing-remitting MS (RRMS). METHODS: Resting-state fMRI data were obtained from 10 participants before and after 12 weeks of a speeded walking intervention. Functional connectivity data were preprocessed in Data Processing Assistant for Resting-State fMRI Advanced (DPARSF A version 4.2) and analyzed in GraphVar2.02 to compute global and local graph theory metrics. To examine differences in graph metrics before and after the intervention, one-sample permutation tests were performed. RESULTS: There were no significant pre to post exercise intervention changes in global metrics. Changes in local metrics (i.e. clustering coefficient, local efficiency, degree centrality and betweenness centrality) were mixed, with both increases and decreases observed. CONCLUSION: Following a 12-week speeded walking exercise intervention, there were no significant increases or decreases in global graph metrics and results at the level of local metrics were equivocal in individuals with RRMS. Further research with experimental designs that include baseline and longitudinal follow-up, as well as larger sample sizes, is needed to understand the underlying mechanisms of symptom improvement following exercise in RRMS.
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 | 0,001 | 0,021 |
| 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 | 0,000 | 0,000 |
| 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 ».