Proposing a Methodology for Axon-Centric Analysis of IOP-Induced Mechanical Insult
Notice bibliographique
Résumé
Purpose: IOP-induced mechanical insult on retinal ganglion cell axons within the optic nerve head (ONH) is believed to be a key factor in axonal damage and glaucoma. However, most studies focus on tissue-level mechanical deformations, overlooking that axons are long and thin, and that their susceptibility to damage likely depends on the insult's type (e.g. stretch/compression) and orientation (longitudinal/transverse). We propose an axon-centric approach to quantify IOP-induced mechanical insult from an axon perspective. Methods: We used optical coherence tomography (OCT) scans from a healthy monkey eye along with histological images of cryosections to reconstruct the axon-occupied volume including detailed lamina cribrosa (LC) pores. Tissue-level strains were determined experimentally using digital volume correlation from OCT scans at baseline and elevated IOPs, then transformed into axonal strains using axon paths estimated by a fluid mechanics simulation. Results: Axons in the LC and post-LC regions predominantly experienced longitudinal compression and transverse stretch, whereas those in the pre-LC and ONH rim mainly suffered longitudinal stretch and transverse compression. No clear patterns were observed for tissue-level strains. Conclusions: Our approach allowed discerning axonal longitudinal and transverse mechanical insults, which are likely associated with different mechanisms of axonal damage. The technique also enabled quantifying insult along individual axon paths, providing a novel link relating the retinal nerve fiber layer and the optic nerve through the LC via individual axons. This is a promising approach to establish a clearer connection between IOP-induced insult and glaucoma. Further studies should evaluate a larger cohort.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,009 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».