Lesion-symptom mapping with NIHSS sub-scores in ischemic stroke patients
Notice bibliographique
Résumé
BACKGROUND: Lesion-symptom mapping (LSM) is a statistical technique to investigate the population-specific relationship between structural integrity and post-stroke clinical outcome. In clinical practice, patients are commonly evaluated using the National Institutes of Health Stroke Scale (NIHSS), an 11-domain clinical score to quantitate neurological deficits due to stroke. So far, LSM studies have mostly used the total NIHSS score for analysis, which might not uncover subtle structure-function relationships associated with the specific sub-domains of the NIHSS evaluation. Thus, the aim of this work was to investigate the feasibility to perform LSM analyses with sub-score information to reveal category-specific structure-function relationships that a total score may not reveal. METHODS: Employing a multivariate technique, LSM analyses were conducted using a sample of 180 patients with NIHSS assessment at 48-hour post-stroke from the ESCAPE trial. The NIHSS domains were grouped into six categories using two schemes. LSM was conducted for each category of the two groupings and the total NIHSS score. RESULTS: Sub-score LSMs not only identify most of the brain regions that are identified as critical by the total NIHSS score but also reveal additional brain regions critical to each function category of the NIHSS assessment without requiring extensive, specialised assessments. CONCLUSION: These findings show that widely available sub-scores of clinical outcome assessments can be used to investigate more specific structure-function relationships, which may improve predictive modelling of stroke outcomes in the context of modern clinical stroke assessments and neuroimaging. TRIAL REGISTRATION NUMBER: NCT01778335.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».