Reduced total number of enlarged perivascular spaces in post-traumatic epilepsy patients with unilateral lesions – a feasibility study
Notice bibliographique
Résumé
BackgroundWe investigated the value of automated enlarged perivascular spaces (ePVS) quantification to distinguish chronic traumatic brain injury (TBI) patients with post-traumatic epilepsy (PTE+) from chronic TBI patients without PTE (PTE−) in a feasibility study.MethodsPatients with and without PTE were recruited and underwent an MRI post-TBI. Multimodal auto identification of ePVS algorithm was applied to T1-weighted MRIs to segment ePVS. The total number of ePVS was calculated and corrected for white matter volume, and an asymmetry index (AI) derived.ResultsPTE was diagnosed in 7 out of the 99 participants (male=69) after a median time of less than one year since injury (range 10-22). Brain lesions were observed in all 7 PTE+ cases (unilateral=4, 57%; bilateral=3, 43%) as compared to 40 PTE− cases (total 44%; unilateral=17, 42%; bilateral=23, 58%). There was a significant difference between PTE+ (M=1.21e−4, IQR [8.89e−5]) and PTE− cases (M=2.79e−4, IQR [6.25e−5]) in total corrected numbers of ePVS in patients with unilateral lesions (p=0.024). No differences in AI, trauma severity and lesion volume were seen between groups.ConclusionThis study has shown that automated quantification of ePVS is feasible and provided initial evidence that individuals with PTE with unilateral lesions may have fewer ePVS compared to TBI patients without epilepsy. Further studies with larger sample sizes should be conducted to determine the value of ePVS quantification as a PTE-biomarker.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».