Brain metabolites measured with magnetic resonance spectroscopy in pediatric concussion and orthopedic injury: An Advancing Concussion Assessment in Pediatrics (A‐CAP) study
Notice bibliographique
Résumé
Millions of children sustain a concussion annually. Concussion disrupts cellular signaling and neural pathways within the brain but the resulting metabolic disruptions are not well characterized. Magnetic resonance spectroscopy (MRS) can examine key brain metabolites (e.g., N-acetyl Aspartate (tNAA), glutamate (Glx), creatine (tCr), choline (tCho), and myo-Inositol (mI)) to better understand these disruptions. In this study, we used MRS to examine differences in brain metabolites between children and adolescents with concussion versus orthopedic injury. Children and adolescents with concussion (n = 361) or orthopedic injury (OI) (n = 184) aged 8 to 17 years were recruited from five emergency departments across Canada. MRS data were collected from the left dorsolateral prefrontal cortex (L-DLPFC) using point resolved spectroscopy (PRESS) at 3 T at a mean of 12 days post-injury (median 10 days post-injury, range 2-33 days). Univariate analyses for each metabolite found no statistically significant metabolite differences between groups. Within each analysis, several covariates were statistically significant. Follow-up analyses designed to account for possible confounding factors including age, site, scanner, vendor, time since injury, and tissue type (and interactions as appropriate) did not find any metabolite group differences. In the largest sample of pediatric concussion studied with MRS to date, we found no metabolite differences between concussion and OI groups in the L-DLPFC. We suggest that at 2 weeks post-injury in a general pediatric concussion population, brain metabolites in the L-DLPFC are not specifically affected by brain injury.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| 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 | 0,001 |
| 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 ».