Functional connectivity–based prediction of global cognition and motor function in riluzole-naive amyotrophic lateral sclerosis patients
Notice bibliographique
Résumé
Amyotrophic lateral sclerosis (ALS) is increasingly recognized as a multisystem disorder accompanied by cognitive changes. To date, no effective therapy is available for ALS patients, partly due to disease heterogeneity and an imperfect understanding of the underlying pathophysiological processes. Reliable models that can predict cognitive and motor deficits are needed to improve symptomatic treatment and slow down disease progression. This study aimed to identify individualized functional connectivity-based predictors of cognitive and motor function in ALS by using multiple kernel learning (MKL) regression. Resting-state fMRI scanning was performed on 34 riluzole-naive ALS patients. Motor severity and global cognition were separately measured with the revised ALS functional rating scale (ALSFRS-R) and the Montreal Cognitive Assessment (MoCA). Our results showed that functional connectivity within the default mode network (DMN) as well as between the DMN and the sensorimotor network (SMN), fronto-parietal network (FPN), and salience network (SN) were predictive for MoCA scores. Additionally, the observed connectivity patterns were also predictive for the individual ALSFRS-R scores. Our findings demonstrate that cognitive and motor impairments may share common connectivity fingerprints in ALS patients. Furthermore, the identified brain connectivity signatures may serve as novel targets for effective disease-modifying therapies.
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 | 0,001 |
| 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) | 0,001 | 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 ».