Functional near-infrared spectroscopy in pediatric clinical research: Different pathophysiologies and promising clinical applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Over its 30 years of existence, functional near-infrared spectroscopy (fNIRS) has matured into a highly versatile tool to study brain function in infants and young children. Its advantages, amongst others, include its ease of application and portability, the option to combine it with electrophysiology, and its relatively good tolerance to movement. As shown by the impressive body of fNIRS literature in the field of cognitive developmental neuroscience, the method's strengths become even more relevant for (very) young individuals who suffer from neurological, behavioral, and/or cognitive impairment. Although a number of studies have been conducted with a clinical perspective, fNIRS cannot yet be considered as a truly clinical tool. The first step has been taken in this direction by studies exploring options in populations with well-defined clinical profiles. To foster further progress, here, we review several of these clinical approaches to identify the challenges and perspectives of fNIRS in the field of developmental disorders. We first outline the contributions of fNIRS in selected areas of pediatric clinical research: epilepsy, communicative and language disorders, and attention-deficit/hyperactivity disorder. We provide a scoping review as a framework to allow the highlighting of specific and general challenges of using fNIRS in pediatric research. We also discuss potential solutions and perspectives on the broader use of fNIRS in the clinical setting. This may be of use to future research, targeting clinical applications of fNIRS in children and adolescents.
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 découle