Functional Hyperconnectivity during a Stories Listening Task in Magnetoencephalography Is Associated with Language Gains for Children Born Extremely Preterm
Notice bibliographique
Résumé
Extreme prematurity (EPT, <28 weeks gestation) is associated with language problems. We previously reported hyperconnectivity in EPT children versus term children (TC) using magnetoencephalography (MEG). Here, we aim to ascertain whether functional hyperconnectivity is a marker of language resiliency for EPT children, validating our earlier work with a distinct sample of contemporary well-performing EPT and preterm children with history of language delay (EPT-HLD). A total of 58 children (17 EPT, 9 EPT-HLD, and 32 TC) participated in stories listening during MEG and functional magnetic resonance imaging (fMRI) at 4-6 years. We compared connectivity in EPT and EPT-HLD, investigating relationships with language over time. We measured fMRI activation during stories listening and parcellated the activation map to obtain "nodes" for MEG connectivity analysis. There were no significant group differences in age, sex, race, ethnicity, parental education, income, language scores, or language representation on fMRI. MEG functional connectivity (weighted phase lag index) was significantly different between groups. Preterm children had increased connectivity, replicating our earlier work. EPT and EPT-HLD had hyperconnectivity versus TC at 24-26 Hz, with EPT-HLD exhibiting greatest connectivity. Network strength correlated with change in standardized scores from 2 years to 4-6 years of age, suggesting hyperconnectivity is a marker of advancing language development.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».