ASSOCIATIONS BETWEEN FUNCTIONAL NETWORKS OF PHYSICAL RESERVE, POSTURAL INSTABILITY, AND WHITE MATTER LESIONS
Notice bibliographique
Résumé
Abstract White matter hyperintensities (WMH) are clinical markers of subcortical ischemic vascular cognitive impairment (SIVCI) associated with impaired postural balance and falls. Physical reserve (PR) is a recently established construct that reflects one’s capacity to maintain physical function despite brain pathology. This cross-sectional study aims to map functional networks associated with PR, and examining the relationship between PR, WMH, and postural balance. Physical reserve was defined in 22 community-dwelling older adults with SIVCI as the unexplained residual variance in Timed-Up-and-Go test (TUG) after accounting for age, global cognitive function measured by Alzheimer’s Disease Assessment Scale-Cognitive-13 (ADAS-Cog-13), and hippocampal volume. Functional neural networks associated with PR were extrapolated as TUG-correlated network connectivity maps computed using general linear models that removed the effects of age, ADAS-Cog-13, and hippocampus volume. Subsequent analyses examined whether PR and its associated brain networks moderated the relationship between WMH and postural balance under two conditions – eyes open while standing on foam (EOF) and eyes open while standing on floor (EONF). Physical reserve and its associated functional neural networks - frontoparietal network (FPN) and default mode network (DMN) - significantly moderated the association between WMH and postural balance. Specifically, in those with high PR, postural balance was maintained regardless of WMH load while in those with low PR, postural balance worsened as WMH load increased. These results suggest the attenuated effects of WMH on postural stability due to PR may be underpinned by functional neural network reorganization in the FPN and DMN as a part of compensatory processes.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».