Improving Diagnosis and Prognosis in Acute Severe Brain Injury: A Multimodal Imaging Protocol
Notice bibliographique
Résumé
Multi-modal neuroimaging techniques have the potential to dramatically improve the diagnosis of the level consciousness and prognostication of neurological outcome for patients with severe brain injury in the intensive care unit (ICU). This protocol describes a study that will utilize functional Magnetic Resonance Imaging (fMRI), electroencephalography (EEG), and functional Near Infrared Spectroscopy (fNIRS) to measure and map the brain activity of acute critically ill patients. Our goal is to investigate whether these modalities can provide objective and quantifiable indicators of good neurological outcome and reliably detect conscious awareness. To this end, we will conduct a prospective longitudinal cohort study to validate the prognostic and diagnostic utility of neuroimaging techniques in the ICU. We will recruit 350 individuals from two ICUs over the course of 7 years. Participants will undergo fMRI, EEG, and fNIRS testing several times over the first 10 days of care to assess for residual cognitive function and evidence of covert awareness. Patients who regain behavioral awareness will be asked to complete web-based neurocognitive tests for 1 year, as well as return for follow up neuroimaging to determine which acute imaging features are most predictive of cognitive and functional recovery. Ultimately, multi-modal neuroimaging techniques may improve the clinical assessments of patients' level of consciousness, aid in the prediction of outcome, and facilitate efforts to find interventional methods that improve recovery and quality of life.
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 | 0,006 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,004 |
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 ».