Predicting Language Function Post-Stroke: A Model-Based Structural Connectivity Approach
Notice bibliographique
Résumé
BACKGROUND: The prediction of post-stroke language function is essential for the development of individualized treatment plans based on the personal recovery potential of aphasic stroke patients. OBJECTIVE: To establish a framework for integrating information on connectivity disruption of the language network based on routinely collected clinical magnetic resonance (MR) images into Random Forest modeling to predict post-stroke language function. METHODS: trial, using the Token Test (TT), Boston Naming Test (BNT), and Semantic Verbal Fluency (sVF) Test as primary outcome measures. Individual infarct masks were superimposed onto a diffusion tensor imaging tractogram reference set to calculate Change in Connectivity scores of language-relevant gray matter regions as estimates of structural connectivity disruption. Multivariable Random Forest models were derived to predict language function. RESULTS: Random Forest models explained moderate to high amount of variance at baseline and follow-up for the TT (62.7% and 76.2%), BNT (47.0% and 84.3%), and sVF (52.2% and 61.1%). Initial language function and non-verbal cognitive ability were the most important variables to predict language function. Connectivity disruption explained additional variance, resulting in a prediction error increase of up to 12.8% with variable omission. Left middle temporal gyrus (12.8%) and supramarginal gyrus (9.8%) were identified as among the most important network nodes. CONCLUSION: Connectivity disruption of the language network adds predictive value beyond lesion volume, initial language function, and non-verbal cognitive ability. Obtaining information on connectivity disruption based on routine clinical MR images constitutes a significant advancement toward practical clinical application.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».