The role of wavelength, power density and melanin tPBM-induced BOLD fMRI response
Notice bibliographique
Résumé
Objective: One major clinical challenge of repetitive transcranial magnetic stimulation (rTMS) is that the treatment responses to rTMS exhibited high individual variations.Anatomical factors that may contribute to the heterogeneity in rTMS effects on depression and cognition, and rTMS-induced neuroplastic changes, are less investigated.Methods: Fifty-five older patients with co-occurring depression and cognitive impairments were randomly assigned to receive either active or sham rTMS on left dorsolateral prefrontal cortex (DLPFC).Individual's brain age was calculated with morphometric features using support vector machine (SVM).Brain-predicted age difference (brain-PAD) was computed as the difference between estimated brain age and chronological age.The changes of motor threshold (MT) were used to evaluate the neuroplasticity.Results: The rTMS responders and remitters had younger brain age.Every additional year of brain-PAD at baseline decreased the odds of the relief of depressive symptoms by ~25.7% in responders (Odd ratio [OR] 0.743, Nagelkerke R 2 0.392, p 0.045) and by ~39.5% in remitters (OR 0.605, Nagelkerke R 2 0.606, p 0.022) at 3 rd week in active rTMS group.Using brain-PAD as feature, responder-nonresponder classification accuracies of 85% (3 rd week) and 84% (12 th week), respectively were achieved.Conclusion: Pre-treatment brain age matrices by macro-level morphometric features in patients with neurocognitive disorders, may be relevant to inter-individual variability in treatment responses to rTMS treatment.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».