APPLICATIONS OF FUNCTIONAL MAGNETIC RESONANCE IMAGING IN THE EARLY DIAGNOSIS OF PARKINSON DISEASE: A SYSTEMATIC REVIEW
Notice bibliographique
Résumé
Introduction: Parkinson disease (PD) is a progressive neurodegenerative disorder characterized by motor and non-motor symptoms that typically emerge after extensive dopaminergic neuronal loss. Functional magnetic resonance imaging (fMRI) has emerged as a powerful tool for identifying early neural dysfunctions preceding overt clinical manifestations. Objective: To systematically evaluate the evidence regarding the diagnostic utility of fMRI in detecting early or prodromal Parkinson disease, highlighting the main paradigms, analytical methods, and biomarkers associated with altered brain connectivity and activity patterns. Methods: Searches were conducted in PubMed, Scopus, Web of Science, Cochrane Library, LILACS, ClinicalTrials.gov, and ICTRP. Studies published from 2019 to 2025 investigating the use of task-based or resting-state fMRI in early, prodromal, or de novo PD were included. Data extraction followed PRISMA guidelines. Methodological quality was assessed with the Newcastle-Ottawa Scale for observational studies and QUADAS-2 for diagnostic accuracy. Results and Discussion: 24 studies met the eligibility criteria. Altered functional connectivity was consistently observed within the basal ganglia–thalamocortical circuit, default mode network, and cerebellar regions. Machine-learning models using fMRI-based biomarkers achieved diagnostic accuracies between 82 % and 95 % in distinguishing early PD from healthy controls. However, heterogeneity of acquisition parameters and analytic pipelines limited direct comparability across studies. Conclusion: fMRI provides sensitive markers of early neuronal dysfunction in Parkinson disease and holds promise as a non-invasive adjunct to clinical and molecular biomarkers. Standardization of protocols and longitudinal validation are required before routine clinical implementation.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».