Network effects of traumatic brain injury: from infra slow to high frequency oscillations and seizures
Notice bibliographique
Résumé
Traumatic brain injury (TBI) can have a multitude of effects on neural functioning. In extreme cases, TBI can lead to seizures both immediately following the injury as well as persistent epilepsy over years to a lifetime. However, mechanisms of neural dysfunctioning after TBI remain poorly understood. To address these questions, we analyzed human and animal data and we developed a biophysical network model implementing effects of ion concentration dynamics and homeostatic synaptic plasticity to test effects of TBI on the brain network dynamics. We focus on three primary phenomena that have been reported in vivo after TBI: an increase in infra slow oscillations (<0.1 Hz), increase in Delta power (1 - 4 Hz), and the emergence of broadband Gamma bursts (30 - 100 Hz). Using computational network model, we show that the infra slow oscillations can be directly attributed to extracellular potassium dynamics, while the increase in Delta power and occurrence of Gamma bursts are related to the increase in strength of synaptic weights from homeostatic synaptic scaling triggered by trauma. We also show that the buildup of Gamma bursts in the injured region can lead to seizure-like events that propagate across the entire network; seizures can then be initiated in previously healthy regions. This study brings greater understanding of the network effects of TBI and how they can lead to epileptic activity. This lays the foundation to begin investigating how injured networks can be healed and seizures prevented.
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 ».