MétaCan
Menu
Retour à la cohorte
Enregistrement W4387472615 · doi:10.1161/strokeaha.123.042656

Cerebrovascular Reactivity in Patients With Small Vessel Disease: A Cross-Sectional Study

2023· article· en· W4387472615 sur OpenAlexaboutno aff
Emilie Sleight, Michael Stringer, Úna Clancy, Carmen Arteaga, Daniela Jaime García, Will Hewins, Angela C.C. Jochems, Olivia KL Hamilton, Cameron Manning, Alasdair G. Morgan, Rachel Locherty, Yajun Cheng, Xiaodi Liu, Junfang Zhang, Iona Hamilton, Charlotte Jardine, Rosalind Brown, Eleni Sakka, Agniete Kampaite, Stewart Wiseman, María Valdés Hernández, Francesca M. Chappell, Fergus Doubal, Ian Marshall, Michael J. Thrippleton, Joanna M. Wardlaw

Notice bibliographique

RevueStroke · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueDementia and Cognitive Impairment Research
Établissements canadiensnon disponible
Organismes subventionnairesMedical Research CouncilUK Dementia Research InstituteChina Scholarship CouncilFondation LeducqEuropean CommissionUniversity of EdinburghAlzheimer's SocietyEdinburgh and Lothians Health FoundationWellcome Trust
Mots-clésHyperintensityMedicineWhite matterMagnetic resonance imagingCardiologyInternal medicinePerivascular spaceAtrophyLeukoaraiosisStroke (engine)Cross-sectional studyPathologyRadiology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Cerebrovascular reactivity (CVR) is inversely related to white matter hyperintensity severity, a marker of cerebral small vessel disease (SVD). Less is known about the relationship between CVR and other SVD imaging features or cognition. We aimed to investigate these cross-sectional relationships. METHODS: Between 2018 and 2021 in Edinburgh, we recruited patients presenting with lacunar or cortical ischemic stroke, whom we characterized for SVD features. We measured CVR in subcortical gray matter, normal-appearing white matter, and white matter hyperintensity using 3T magnetic resonance imaging. We assessed cognition using Montreal Cognitive Assessment. Statistical analyses included linear regression models with CVR as outcome, adjusted for age, sex, and vascular risk factors. We reported regression coefficients with 95% CIs. RESULTS: Of 208 patients, 182 had processable CVR data sets (median age, 68.2 years; 68% men). Although the strength of association depended on tissue type, lower CVR in normal-appearing tissues and white matter hyperintensity was associated with larger white matter hyperintensity volume (BNAWM=−0.0073 [95% CI, −0.0133 to −0.0014] %/mm Hg per 10-fold increase in percentage intracranial volume), more lacunes (BNAWM=−0.00129 [95% CI, −0.00215 to −0.00043] %/mm Hg per lacune), more microbleeds (BNAWM=−0.00083 [95% CI, −0.00130 to −0.00036] %/mm Hg per microbleed), higher deep atrophy score (BNAWM=−0.00218 [95% CI, −0.00417 to −0.00020] %/mm Hg per score point increase), higher perivascular space score (BNAWM=−0.0034 [95% CI, −0.0066 to −0.0002] %/mm Hg per score point increase in basal ganglia), and higher SVD score (BNAWM=−0.0048 [95% CI, −0.0075 to −0.0021] %/mm Hg per score point increase). Lower CVR in normal-appearing tissues was related to lower Montreal Cognitive Assessment without reaching convention statistical significance (BNAWM=0.00065 [95% CI, −0.00007 to 0.00137] %/mm Hg per score point increase). CONCLUSIONS: Lower CVR in patients with SVD was related to more severe SVD burden and worse cognition in this cross-sectional analysis. Longitudinal analysis will help determine whether lower CVR predicts worsening SVD severity or vice versa. REGISTRATION: URL: https://www.isrctn.com; Unique identifier: ISRCTN12113543.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,310
Écart entre enseignants0,287 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations38
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueStrokeMême sujetDementia and Cognitive Impairment ResearchTravaux en français237 207