Predictors of atypical language lateralization in focal epilepsy: A mega‐analysis of <scp>fMRI</scp> evidence
Notice bibliographique
Résumé
OBJECTIVE: To identify predictors of language lateralization derived from functional magnetic resonance imaging (fMRI) in children and adults with left- and right-sided focal epilepsy. METHODS: We conducted a mega-analysis of data from 914 individuals from 24 samples. We used multilevel models to identify predictors of language lateralization in left and right hemisphere epilepsy groups. We assigned each participant a clinical predictor score to explore whether there was a cumulative influence of predictors on increasing atypical language lateralization. RESULTS: Left hemisphere epilepsy was a predictor of greater atypical language lateralization in the combined sample. Additional predictors of atypical language lateralization included left/ambidextrous handedness in both the left and right hemisphere groups, and longer duration of epilepsy, frontal lobe involvement, and history of a stroke or other precipitating injury in the left hemisphere group only. There was a cumulative effect of predictors in the left hemisphere groups. Eighty percent of individuals with four or more predictors had atypical language lateralization, compared to 19% of individuals with no predictors, other than left hemisphere epilepsy. SIGNIFICANCE: Consistent with theories of language plasticity, we demonstrated a robust effect of early acquired left hemisphere injury on language lateralization. There was also a subtle effect of duration of epilepsy, perhaps reflecting increasing bilaterality with age in adulthood. The association between left/ambidextrous handedness and atypical language lateralization in the left and right hemisphere groups likely reflects both genetic and epilepsy-associated effects. The total number of predictors identified for an individual could serve as an indication for presurgical language fMRI, when surgical management is considered.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».