Longitudinal prognosis of Parkinson’s outcomes using causal connectivity
Notice bibliographique
Résumé
Despite the prevalence of Parkinson’s disease (PD), there are no clinically-accepted neuroimaging biomarkers to predict the trajectory of motor or cognitive decline or differentiate Parkinson’s disease from atypical progressive parkinsonian diseases. Since abnormal connectivity in the motor circuit and basal ganglia have been previously shown as early markers of neurodegeneration, we hypothesize that patterns of interregional connectivity could be useful to form patient-specific predictive models of disease state and of PD progression. We use fMRI data from subjects with Multiple System Atrophy (MSA), Progressive Supranuclear Palsy (PSP), idiopathic PD, and healthy controls to construct predictive models for motor and cognitive decline and differentiate between the four subgroups. Further, we identify the specific connections most informative for progression and diagnosis. When predicting the one-year progression in the MDS-UPDRS-III 1* 1* A summary of all acronyms used in this paper is presented in Appendix A. Supplementary Data . and Montreal Cognitive assessment (MoCA), we achieve new state-of-the-art mean absolute error performance. Additionally, the balanced accuracy we achieve in the diagnosis of PD, MSA, PSP, versus healthy controls surpasses that attained in most clinics, underscoring the relevance of the brain connectivity features. Our models reveal the connectivity between deep nuclei, motor regions, and the thalamus as the most important for prediction. Collectively these results demonstrate the potential of fMRI connectivity as a prognostic biomarker for PD and increase our understanding of this disease.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».