MétaCan
Menu
Retour à la cohorte
Enregistrement W4409195381 · doi:10.1016/j.neuroimage.2025.121187

Brain physiological pulsations are linked to sleep architecture and cognitive performance in older adults

2025· article· en· W4409195381 sur OpenAlexaff
Rodolphe Nenert, Christina Mueller, Corina Catiul, Jennifer Pilkington, Pierre LeVan, Ayushe A. Sharma, Jerzy P. Szaflarski, Amy W. Amara

Notice bibliographique

RevueNeuroImage · 2025
Typearticle
Langueen
DomaineNeuroscience
ThématiqueCerebrospinal fluid and hydrocephalus
Établissements canadiensAlberta Children's Hospital
Organismes subventionnairesNational Institute of Neurological Disorders and StrokeEunice Kennedy Shriver National Institute of Child Health and Human DevelopmentUniversity of Alabama at BirminghamEvelyn F. McKnight Brain Research FoundationState of AlabamaMichael J. Fox Foundation for Parkinson's Research
Mots-clésSleep architectureSleep (system call)CognitionEffects of sleep deprivation on cognitive performanceNeurosciencePsychologyCognitive architectureCognitive psychologyAudiologyPhysical medicine and rehabilitationMedicineElectroencephalographyComputer sciencePolysomnography

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The glymphatic system facilitates efficient waste clearance in the brain through the movement of cerebrospinal fluid (CSF) along perivascular spaces. Animal studies have demonstrated that glymphatic efficiency declines with age, but evidence for such decline in humans is limited. We hypothesized that reduced glymphatic efficiency in older adults may be related to age-related worsening of sleep quality, potentially contributing to cognitive impairment. METHODS: 20 participants aged ≥60 years provided multi-dimensional cognitive measures, overnight polysomnography, and Magnetic Resonance Encephalography (MREG) performed the morning following the PSG. MREG is a single-shot, three-dimensional (3D) sequence employing a spherical stack-of-spirals trajectory that undersamples 3D k-space, enabling whole-brain data acquisition every 100 milliseconds to non-invasively and dynamically assess brain physiological pulsations. Spectral power and optical flow analyses quantified physiological pulsations within cardiovascular (CvB; 0.52-1.6 Hz), respiratory (RFB; 0.11-0.44 Hz), and low-frequency (LFB; 0.008-0.1 Hz) bands. These measures were correlated with cognitive test scores and sleep parameters assessed by overnight polysomnography. RESULTS: Significant associations emerged between physiological pulsations, sleep, and cognitive measures. Cardiovascular pulsation strength correlated with non-rapid eye movement (NREM) stage 3 (N3) sleep percentage (peak voxel in right frontal pole; r = 0.72, p < 0.001) and language domain performance (left calcarine gyrus; r = 0.56, p = 0.01). Respiratory pulsations correlated strongly with sleep onset latency (right inferior temporal gyrus; r = 0.75, p < 0.001). Additionally, low-frequency pulsations were associated with sleep onset latency (right precentral gyrus; r = 0.67, p = 0.002). These findings suggest that glymphatic efficiency, as reflected by brain pulsations, is closely linked to sleep quality and cognitive performance in older adults, particularly involving cortical and subcortical structures relevant to cognitive and sleep regulatory functions. CONCLUSION: This study uniquely demonstrates that brain physiological pulsations measured non-invasively with MREG are significantly associated with sleep architecture and cognitive performance in older adults. These findings underscore the potential of MREG to assess glymphatic function and provide important insights into the mechanisms linking sleep disturbances, cognitive decline, and aging. The identified correlations between pulsations and specific brain regions highlight potential pathways through which impaired glymphatic function could contribute to cognitive decline in older adults, suggesting promising avenues for future clinical and research applications.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,273
Écart entre enseignants0,257 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNeuroImageMême sujetCerebrospinal fluid and hydrocephalusTravaux en français237 207