MRI-based machine learning analysis of perivascular spaces and their link to sleep disturbances, dementia, and mental distress in young adults with long-time mobile phone use
Notice bibliographique
Résumé
Objective: Long-term mobile phone use (LTMPU) has been linked to sleep disorders, mood disorders, and cognitive impairment, with MRI-detected enlarged perivascular spaces (EPVSs) as potential imaging markers. This study investigated computational MRI-visible EPVSs and their association with sleep disturbance, dementia, and mental distress in young adults with LTMPU. Methods: This retrospective study included 82 LTMPU patients who underwent MRI scans and assessments using six clinical scales: Montreal Cognitive Assessment (MoCA), Pittsburgh Sleep Quality Index (PSQI), Insomnia Severity Index (ISI), Epworth Sleepiness Scale (ESS), Hamilton Anxiety (HAM-A), and Hamilton Depression (HAM-D). Deep learning algorithms segmented EPVSs lesions, extracting quantitative metrics (count, volume, mean length, and mean curvature) across 17 brain subregions. Correlation analyses explored relationships between EPVSs indicators and clinical measurements. The BrainNet Viewer tool highlighted significant brain subregions and EPVSs traits linked to dementia, sleep disturbance, and mental distress. Results: < 0.05), including associations between nine EPVSs characteristics and MoCA scores: four with the PSQI, one with the ISI, three with the ESS, four with the HAM-A, and two with the HAM-D. Regression analyses revealed seven significant EPVSs features, with three linked to cognitive impairment: mean EPVSs length in the left basal ganglia and mean length/curvature in the left temporal lobe. Also, the mean EPVSs length in the left frontal lobe could indicate insomnia, sleepiness, and anxiety. Conclusion: Computational EPVSs metrics offer insights into the EPVSs pathophysiology and its links to mood disorders, sleep disturbances, and cognitive impairment in LTMPU patients. These findings also highlight potential connections between EPVSs, excessive daytime sleepiness, and anxiety, contributing to a comprehensive understanding of these multifaceted conditions.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».