Brain Total Creatine Differs Between Primary Progressive Aphasia (PPA) Subtypes and Correlates with Disease Severity
Notice bibliographique
Résumé
Abstract Primary progressive aphasia (PPA) is comprised of three subtypes: logopenic (lvPPA), non-fluent (nfvPPA), and semantic (svPPA). We used magnetic resonance spectroscopy (MRS) to measure tissue-corrected metabolite levels in the left inferior frontal gyrus (IFG) and right sensorimotor cortex (SMC) from 61 PPA patients. We aimed to: 1) characterize subtype differences in metabolites; and 2) test for metabolite associations with symptom severity. tCr differed by subtype across the left IFG and right SMC. tCr levels were lowest in lvPPA and highest in svPPA. tCr levels predicted lvPPA versus svPPA diagnosis. Higher IFG tCr and lower Glx correlated with greater disease severity. As tCr is involved in brain energy metabolism, svPPA pathology might involve changes in specific cellular energy processes. Perturbations to cellular energy homeostasis in language areas may contribute to symptoms. Reduced cortical excitatory capacity (i.e., lower Glx) in language regions may also contribute to symptoms. Thus, tCr may be useful for differentiating between PPA subtypes, and both tCr and Glx might have utility in understanding PPA mechanisms and tracking progression. Highlights No prior work has examined differences in brain metabolite levels for PPA subtypes. Total creatine (tCr) levels were lowest in lvPPA and highest in svPPA. tCr levels differentiated lvPPA from svPPA diagnosis. Higher tCr and lower Glx in the left IFG correlated with greater disease severity. Changes in cellular energy and excitatory processes may relate to PPA pathology.
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 | 0,002 |
| 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 | 0,001 | 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) | 0,003 | 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 ».