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 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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».