Venous Collagenosis as Pathogenesis of White Matter Hyperintensity
Notice bibliographique
Résumé
OBJECTIVE: Periventricular white matter hyperintensities (pvWMHs) are commonly observed on MRI in older individuals and are associated with cognitive and motor decline. The etiology of pvWMH remains unknown. Venous collagenosis has been implicated, which may also interfere with perivascular fluid flow leading to dilation of perivascular spaces (PVS). Here, we examine relationships between in vivo pvWMH volume and ex vivo morphological quantification of collagenosis and the PVS in veins and arteries. METHODS: Brain tissue from 25 Oregon Alzheimer's Disease Research Center subjects was selected to cover the full range of WMH burden. Tissue from white matter abutting the ventricle was stained with Masson's trichrome and smooth muscle actin. An automated hue based algorithm identified and segmented vessel into collagenized vessel walls, lumen, and PVS. Multiple linear regressions with pvWMH volume as the dependent variable and either collagen thickness or PVS width were performed with covariates of vessel diameter, age at death, sex, and interval between MRI and death. RESULTS: PVS width and collagen thickness were significantly correlated in both arteries (r = 0.21, p = 0.001) and veins (r = 0.23, p = 0.001). Increased venous collagen (p = 0.017) was a significant predictor of higher pvWMH burden while arterial collagen was not (p = 0.128). Neither PVS width in arteries (p = 0.937) nor veins (p = 0.133) predicted pvWMH burden. INTERPRETATION: These findings are consistent with a model in which venous collagenosis mediates the relationship between vascular risk factors and pvWMH. This study confirms the importance of changes to the venous system in contributing to MRI white matter lesions commonly observed with advanced age. ANN NEUROL 2022;92:992-1000.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 tête enseignante, 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 ».