Stress and stiffness as predictors of shear wave velocity in peripheral nerve
Notice bibliographique
Résumé
Shear wave elastography (SWE) is a promising non-invasive indicator for diagnosing peripheral neuropathy. Emerging validation studies using ultrasound-based measures of shear wave velocity (SWV) in other biological tissues, such as muscle, demonstrate there is a concern of whether SWE is an accurate measure of tensile stress or stiffness. Distinguishing between these two parameters and their relationship with SWV is crucial if SWE is to be used as a biomarker for peripheral neuropathies, where changes in mechanical properties are known to occur. In this study, we use cat sciatic nerves to first evaluate SWV in situ at knee positions known to reduce (90° flexion) or increase (180° extension) stress, and then excise nerves to directly quantify the relationships between SWV, stress, and stiffness with ex vivo tensile testing. Our ex vivo findings show that although SWV can be predicted using either stress or stiffness, stress explains more variability in sciatic nerve SWV. However, while stress remains the better predictor of SWV ex vivo, within the SWV range established in situ, stiffness improves its accuracy at estimating SWV, especially when also accounting for factors related to nerve viscoelasticity. Therefore, if SWE is to be used in clinical settings as an indicator of nerve stiffness in peripheral neuropathy, it is essential to standardize parameters such as limb positioning and nerve preloading, which could potentially mask pathological changes in nerve stiffness.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».