Language Mapping With rTMS in Healthy Pediatric Patients
Notice bibliographique
Résumé
PURPOSE: Repetitive transcranial magnetic stimulation (rTMS) is a potentially effective, noninvasive tool for language mapping. However, there is a paucity of data in pediatric patients. In this study, we aimed to map language sites in healthy pediatric participants with navigated rTMS. METHODS: Children aged 5 to 18 years underwent bilateral language mapping. Stimulation was delivered at 5 Hz during visual-naming and auditory verb-generation tasks in 1 to 2 second bursts. We targeted 33 standardized sites per hemisphere. In total, 34 participants completed the visual-naming task, and 27 participants completed the verb-generation task. Lateralization index (LI) and Wilcoxon signed-rank test were used to assess language lateralization. A difference of least squares means model was developed to determine the prevalence of visual-naming and verb-generation errors within lobar and hemispheric regions. RESULTS: Weak left lateralization was observed for visual naming (LI 0.14; p = 0.038), and no lateralization was observed for verb generation (LI 0.08; p = 0.269). Using multiple least squares regression, left hemisphere errors were more likely to occur than right hemisphere errors for visual naming (OR 1.23; 95% CI 1.06-1.44), but no lateralization effect was observed for verb-generation errors (OR 1.11; 95% CI 0.93-1.27). CONCLUSIONS: rTMS is likely to identify bilateral or weakly left-lateralized language sites in pediatric patients during language tasks. Although rTMS can be a useful noninvasive method for identifying potential language-positive sites, our results in healthy controls suggest that it cannot be used as a singular method for language mapping in the preoperative setting.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».