Uncovering the hidden effects of repetitive subconcussive head impact exposure: A mega‐analytic approach characterizing seasonal brain microstructural changes in contact and collision sports athletes
Notice bibliographique
Résumé
Repetitive subconcussive head impacts (RSHI) are believed to induce sub-clinical brain injuries, potentially resulting in cumulative, long-term brain alterations. This study explores patterns of longitudinal brain white matter changes across sports with RSHI-exposure. A systematic literature search identified 22 datasets with longitudinal diffusion magnetic resonance imaging data. Four datasets were centrally pooled to perform uniform quality control and data preprocessing. A total of 131 non-concussed active athletes (American football, rugby, ice hockey; mean age: 20.06 ± 2.06 years) with baseline and post-season data were included. Nonparametric permutation inference (one-sample t tests, one-sided) was applied to analyze the difference maps of multiple diffusion parameters. The analyses revealed widespread lateralized patterns of sports-season-related increases and decreases in mean diffusivity (MD), radial diffusivity (RD), and axial diffusivity (AD) across spatially distinct white matter regions. Increases were shown across one MD-cluster (3195 voxels; mean change: 2.34%), one AD-cluster (5740 voxels; mean change: 1.75%), and three RD-clusters (817 total voxels; mean change: 3.11 to 4.70%). Decreases were shown across two MD-clusters (1637 total voxels; mean change: -1.43 to -1.48%), two RD-clusters (1240 total voxels; mean change: -1.92 to -1.93%), and one AD-cluster (724 voxels; mean change: -1.28%). The resulting pattern implies the presence of strain-induced injuries in central and brainstem regions, with comparatively milder physical exercise-induced effects across frontal and superior regions of the left hemisphere, which need further investigation. This article highlights key considerations that need to be addressed in future work to enhance our understanding of the nature of observed white matter changes, improve the comparability of findings across studies, and promote data pooling initiatives to allow more detailed investigations (e.g., exploring sex- and sport-specific effects).
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 ».