P.139 Random Neural Network Features in Patients with Aggressive Multiple Sclerosis Undergoing Autologous Hematopoietic Stem Cell Transplant
Notice bibliographique
Résumé
Background: Objective markers of disease progression are needed for patients with multiple sclerosis (MS). Increased randomness in neural networks is hypothesized to be an important cause of morbidity that can be objectified using graph theory. Methods: We use voxel-based structural similarity determined from T1-weighted MRI scans of 23 patients with MS receiving autologous stem cell transplant (ASCT) to compute cortical covariance network parameters. We examine associations between measures of cortical integration or segregation and biochemical/clinical measures of cortical health or function using Spearman correlation coefficients. P<0.05 was considered significant. Results: Path length increase was associated with markers of greater inflammation (ρ=0.56,P<.046) at baseline and reduced Naa/Cr ratio (P<.041) at 12 months. Reduced lambda was associated with markers of greater grey matter atrophy (ρ=0.55,P<.019) after 12 months and lower cognition (ρ=0.56,P<.008) at 12 months. Reduced clustering was associated with higher neurofilament (ρ=-0.68,P<.010) at baseline, greater white matter atrophy (ρ=0.62,P<.006) after 12 months, lower 2-second PASAT performance (ρ=0.56,P<.011) at baseline, and reduced Naa/Cr ratio (P<.001) at 12 months. Conclusions: Reduced cortical integration and segregation (random network features) co-occur with unfavourable markers of cortical health and function in patients with MS receiving ASCT. Network features show promise as important longitudinal markers of patient status and progression.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».