Algorithm for jitter measurement in neuromuscular junction disease
Notice bibliographique
Résumé
The objective of this work was to extend the evaluation of a recently proposed method for estimating neuromuscular jitter within motor unit potential (MUP) trains extracted from muscles suffering neuromuscular junction disease. The method detects, within the MUP duration, "single-fiber" intervals that have likely been produced by single muscle fibers. Jitter is then estimated between pairs of these "single-fiber" intervals using an algorithm which incorporates the traditional mean consecutive difference (MCD) parameter. Electromyographic (EMG) recordings from facial muscles of 15 patients with symptoms related to myasthenia gravis were obtained. MUP trains were extracted using DQEMG software and manual jitter measures were obtained using an ad-hoc graphical interface, which emulates single fiber EMG protocols. Automatic measures for two different values of an internal threshold parameter were obtained and compared to manual measures. 5 %, 25 %, 75 % and 95 % percentiles for the differences between the automatic and manual jitter measurements were [-3.74, -1.47, 1.24, 3.47 μs] and [-6.45, -2.07, 1.65, 7.16 μs], for the two threshold values, respectively. Therefore, very small statistical and clinical differences were found between the automatic and manual jitter measures, supporting the method as an accurate tool for jitter assessment or as a guiding aid for manual procedures.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».