Preoperative perivascular space burden predicts treatment response to deep cervical lymphovenous anastomosis in Alzheimer's disease: A pilot study
Notice bibliographique
Résumé
Background: Deep cervical lymphovenous anastomosis (DLVA) shows promise for Alzheimer's disease (AD) treatment, but patient selection criteria remain undefined. Perivascular spaces (PVS) may predict glymphatic enhancement potential. Objective: To investigate whether preoperative magnetic resonance imaging (MRI) measures of PVS burden can predict treatment response to DLVA in AD patients and explore potential mechanisms through longitudinal glymphatic function assessment. Methods: Retrospective analysis of 10 AD patients undergoing DLVA. Preoperative T1-weighted MRI quantified PVS volumes using Frangi filtering. Treatment response was assessed at one month using Mini-Mental State Examination/Montreal Cognitive Assessment improvements ≥2 points. Results: Total PVS volume demonstrated perfect predictive accuracy for treatment response (AUC = 1.000) with an optimal cut-off of 5150 mm³ (sensitivity 100%, specificity 100%). White matter PVS volume also showed strong predictive performance (AUC = 0.875, cut-off 3630 mm³, sensitivity 75%, specificity 100%). The improved group had significantly higher preoperative PVS volumes (total PVS: p = 0.012, Cohen's d = 2.631; white matter PVS: p = 0.050, Cohen's d = 1.689). Preliminary longitudinal analysis revealed divergent Analysis Along the Perivascular Space (ALPS) index changes: the improved group showed mean increase (+0.0276), while the non-improved group demonstrated decrease (-0.0252). Conclusions: Preoperative PVS burden serves as a powerful predictor of DLVA response, with higher volumes indicating sufficient anatomical reserve for therapeutic benefit. These findings establish PVS volume as clinically actionable biomarkers for precision patient selection in glymphatic-targeted AD interventions.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 ».