Functional neuroimaging in disorders of consciousness: towards clinical implementation
Notice bibliographique
Résumé
Functional neuroimaging has provided several new tools for improving both the diagnosis and prognosis in patients with disorders of consciousness. These tools are now being used to detect residual and covert awareness in behaviourally non-responsive patients with an acquired severe brain injury and predict which patients are likely to recover. Despite endorsement of advanced imaging by multiple clinical bodies, widespread implementation of imaging techniques such as functional MRI (fMRI), EEG and PET in both acute and prolonged disorders of consciousness patients has been hindered by perceived costs, technological barriers, and lack of expertise needed to acquire, interpret and implement these methods. In this review we provide a comprehensive overview of neuroimaging in disorders of consciousness, the different technical approaches employed (i.e. fMRI, EEG, PET), the imaging paradigms used (active, passive, resting state) and the types of inferences that have been made about residual cortical function based on those paradigms (e.g. perception, awareness, communication). Next, we outline how these barriers might be overcome, discuss which select patients stand to benefit the most from these neuroimaging techniques, and consider when, during their clinical trajectory, imaging tests are likely to be most useful. Moreover, we make recommendations that will help clinicians decide which advanced imaging technologies and protocols are likely to be most appropriate in any particular clinical case. Finally, we describe how these techniques can be implemented in routine clinical care to augment current clinical tools and outline future directions for the field as a whole.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 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 ».