Exploring the relationship between resting-state intra-network connectivity and accelerometer-measured physical activity in pediatric concussion: a cohort study
Notice bibliographique
Résumé
Our objective was to explore the association between resting-state functional connectivity and accelerometer-measured physical activity in pediatric concussion. Fourteen children with concussion (aged 14.54 ± 2.39 years, 8 female) were included in this secondary data analysis of a larger study. Participants had neuroimaging at 15.3 ± 6.7 days postinjury and subsequently a mean of 11.1 ± 5.0 days of accelerometer data. Intra-network connectivity of the default mode network (DMN), sensorimotor network (SMN), salience network (SN), and frontoparietal network (FPN) was computed using resting-state MRI. We found that, per general linear models (GLMs), only intra-network connectivity of the DMN was associated with physical activity levels. More specifically, increased intra-network connectivity of the DMN was significantly associated with higher levels of subsequent accelerometer-measured light physical activity (LPA; F (2, 11) = 7.053, p = 0.011, R a 2 = 0.562; β = 0.469), moderate physical activity (MPA; F (2, 11) = 6.159, p = 0.016, Ra2 = 0.528; β = 0.725), and vigorous physical activity (VPA; F (2, 11) = 10.855, p = 0.002, R a 2 = 0.664; β = 0.792). Intra-network connectivity of the DMN did not significantly predict sedentary time. Therefore, these preliminary findings suggest that there is a positive association between the intra-network connectivity of the DMN and device-measured physical activity in children with concussion.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».