Personalized models of Disorders of Consciousness reveal complementary roles of connectivity and local parameters in diagnosis and prognosis
Notice bibliographique
Résumé
The study of disorders of consciousness (DoC) is very complex because patients suffer from a wide variety of lesions, affected brain mechanisms, different severity of symptoms, and are unable to communicate. Combining neuroimaging data and mathematical modeling can help us quantify and better describe some of these alterations. The goal of this study is to provide a new analysis and modeling pipeline for fMRI data leading to new diagnosis and prognosis biomarkers at the individual patient level. To do so, we project patients' fMRI data into a low-dimension latent-space. We define the latent space's dimension as the smallest dimension able to maintain the complexity, non-linearities, and information carried by the data, according to different criteria that we detail in the first part. This dimensionality reduction procedure then allows us to build biologically inspired latent whole-brain models that can be calibrated at the single-patient level. In particular, we propose a new model inspired by the regulation of neuronal activity by astrocytes in the brain. This modeling procedure leads to two types of model-based biomarkers (MBBs) that provide novel insight at different levels: (1) the connectivity matrices bring us information about the severity of the patient's diagnosis, and, (2) the local node parameters correlate to the patient's etiology, age and prognosis. Altogether, this study offers a new data processing framework for resting-state fMRI which provides crucial information regarding DoC patients diagnosis and prognosis. Finally, this analysis pipeline could be applied to other neurological conditions.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».