Long‐Range Temporal Correlations in Electroencephalography for Parkinson's Disease Progression
Notice bibliographique
Résumé
BACKGROUND: Patients with Parkinson's disease (PD) present progressive deterioration in both motor and non-motor manifestations. However, the absence of clinical biomarkers for disease progression hinders clinicians from tailoring treatment strategies effectively. OBJECTIVES: To identify electroencephalography (EEG) biomarker that can track disease progression in PD. METHODS: A total of 116 patients with PD were initially enrolled, whereas 63 completed 2-year follow-up evaluation. Fifty-eight age- and sex-matched healthy individuals were recruited as the control group. All participants underwent EEG and clinical assessments. Long-range temporal correlations (LRTC) of EEG data were analyzed using the detrended fluctuation analysis. RESULTS: Patients with PD exhibited higher LRTC in left parietal θ oscillations (P = 0.0175) and lower LRTC in centro-parietal γ oscillations (P = 0.0258) compared to controls. LRTC in parietal γ oscillations inversely correlated with changes in Unified Parkinson's Disease Rating Scale (UPDRS) part III scores over 2 years (Spearman ρ = -0.34, P = 0.0082). Increased LRTC in left parietal θ oscillations were associated with rapid motor progression (P = 0.0107), defined as an annual increase in UPDRS part III score ≥3. In cognitive assessments, LRTC in parieto-occipital α oscillations exhibited a positive correlation with changes in Mini-Mental State Examination and Montreal Cognitive Assessment scores over 2 years (Spearman ρ = 0.27-0.38, P = 0.0037-0.0452). CONCLUSIONS: LRTC patterns in EEG potentially predict rapid progression of both motor and non-motor manifestations in PD patients, enhancing clinical assessment and understanding of the disease. © 2024 International Parkinson and Movement Disorder Society.
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) | 0,000 | 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 | 0,000 |
| 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 ».