Impact of follow ups, time interval and study duration in diffusion & myelin MRI clinical study in MS
Notice bibliographique
Résumé
It is currently unknown how quantitative diffusion and myelin MRI designs affect the results of a longitudinal study. We used two independent datasets containing 6 monthly MRI measurements from 20 healthy controls and 20 relapsing-remitting multiple sclerosis (RR-MS) patients. Six designs were tested, including 3 MRI acquisitions, either over 6 months or over a shorter study duration, with balanced (same interval) or unbalanced (different interval) time intervals between MRI acquisitions. First, we show that in RR-MS patients, the brain changes over time obtained with 3 MRI acquisitions were similar to those observed with 5 MRI acquisitions and that designs with an unbalanced time interval showed the highest similarity, regardless of study duration. No significant brain changes were found in the healthy controls over the same periods. Second, the study duration affects the sample size in the RR-MS dataset; a longer study requires more subjects and vice versa. Third, the number of follow-up acquisitions and study duration affect the sensitivity and specificity of the associations with clinical parameters, and these depend on the white matter bundle and MRI measure considered. Together, this suggests that the optimal design depends on the assumption of the dynamics of change in the target population and the accuracy required to capture these dynamics. Thus, this work provides a better understanding of key factors to consider in a longitudinal study and provides clues for better strategies in clinical trial design.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 ».