Muscle ultrasonography in detecting fasciculations: A noninvasive diagnostic tool for amyotrophic lateral sclerosis
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Muscle ultrasound (MUS) is an emerging noninvasive tool to identify fasciculations in amyotrophic lateral sclerosis (ALS). We assessed the utility of MUS in detecting fasciculations in suspected ALS patients. METHODS: Thirty-three patients (25 men) with possible (n = 7), probable (n = 12), or definite ALS according to Awaji criteria were studied. Electromyography was done in biceps brachii, quadriceps, and thoracic paraspinal muscles and MUS in biceps, triceps, deltoid, abductor-digiti-minimi, quadriceps, hamstrings, tibialis anterior, thoracic paraspinal, and tongue muscles. RESULTS: The age at onset and illness duration was 49.73 ± 12.7 years and 13.57 ± 9.7 months, respectively. Limb-onset = 24 patients (72.7%) and bulbar-onset = 9 (27.3%). Totally 561 muscles were examined by MUS. Fasciculations were detected in 84.3% of muscles, 98.4% with and 73% without clinical fasciculations (p < 0.001). Fasciculation detection rate (FDR) by MUS was significantly higher in muscles with wasting (95.6%) than without wasting (77.6%, p < 0.001). Compared with EMG, FDR was significantly higher with MUS in quadriceps (81.8% vs. 51.5%, p = 0.002) and thoracic paraspinal muscles (75.8% vs. 42.4%, p = 0.013). The proportion of patients with definite ALS increased from 42% by clinical examination to 70% after combining EMG and MUS findings. CONCLUSIONS: MUS is more sensitive in detecting fasciculations than electromyography (EMG) and provides a safer, faster, painless, and noninvasive alternative to EMG in detecting fasciculations in ALS.
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 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».