Disentangling poststroke cognitive deficits and their neuroanatomical correlates through combined multivariable and multioutcome lesion‐symptom mapping
Notice bibliographique
Résumé
Studies in patients with brain lesions play a fundamental role in unraveling the brain's functional anatomy. Lesion-symptom mapping (LSM) techniques can relate lesion location to cognitive performance. However, a limitation of current LSM approaches is that they can only evaluate one cognitive outcome at a time, without considering interdependencies between different cognitive tests. To overcome this challenge, we implemented canonical correlation analysis (CCA) as combined multivariable and multioutcome LSM approach. We performed a proof-of-concept study on 1075 patients with acute ischemic stroke to explore whether addition of CCA to a multivariable single-outcome LSM approach (support vector regression) could identify infarct locations associated with deficits in three well-defined verbal memory functions (encoding, consolidation, retrieval) based on four verbal memory subscores derived from the Seoul Verbal Learning Test (immediate recall, delayed recall, recognition, learning ability). We evaluated whether CCA could extract cognitive score patterns that matched prior knowledge of these verbal memory functions, and if these patterns could be linked to more specific infarct locations than through single-outcome LSM alone. Two of the canonical modes identified with CCA showed distinct cognitive patterns that matched prior knowledge on encoding and consolidation. In addition, CCA revealed that each canonical mode was linked to a distinct infarct pattern, while with multivariable single-outcome LSM individual verbal memory subscores were associated with largely overlapping patterns. In conclusion, our findings demonstrate that CCA can complement single-outcome LSM techniques to help disentangle cognitive functions and their neuroanatomical correlates.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».