Neuroimaging and kinematic biomarkers of post-stroke upper limb motor impairment
Notice bibliographique
Résumé
Structural and functional biomarkers derived from magnetic resonance imaging explain some variance in post-stroke motor impairment. The understanding of the nature of impairment and the discrimination between true behavioural motor recovery/restitution and motor compensation may be improved by the addition of kinematic information. The aim of the study was to determine the influence of neuroimaging combined with kinematic biomarkers in explaining the variance in motor impairment of the upper limb. People living with late sub-acute to chronic stroke (n = 25) underwent the Fugl Meyer Assessment – Upper Limb (FMA-UL), magnetic resonance imaging, and completed a reaching task where upper limb and trunk kinematics were recorded. Regression analyses were performed to determine the amount of variability in FMA-UL explained by the following biomarkers: the amount of corticospinal tract impacted by the stroke lesion (CST involvement), interhemispheric and ipsilesional resting state connectivity, and the Trunk-based Index of Performance (IPt) that measures skilled reaching ability while accounting for trunk compensation. CST involvement, interhemispheric connectivity, and the IPt, together explained ∼ 49 % of the variance in the FMA-UL (F(3,21) = 8.694, p = 0.001, R 2 adj = 0.49). The IPt explained an additional 14 % of the variance in the FMA-UL compared to CST involvement alone (p = 0.02). The IPt is a relevant kinematic biomarker of post-stroke upper limb motor impairment. Our findings suggest the importance of using multiple categories of biomarkers to better understand the level of post-stroke motor impairment.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».