Multiple object tracking scores predict post-concussion status years after mild traumatic brain injury
Notice bibliographique
Résumé
The diagnosis of concussion remains challenging, particularly in cases where several months have passed between a head injury and clinical assessment. Tracking multiple moving objects in three-dimensional (3D) space engages many of the same cognitive processes that are affected by concussion, a form of mild traumatic brain injury (mTBI), suggesting that tests of 3D multiple object tracking (3D-MOT) may be sensitive to post-concussion syndrome after a brain injury has occurred. To test this, we evaluated 3D-MOT performance (using NeuroTrackerTM) against Sports Concussion Assessment Tool results for cognition, balance, and symptom severity in a large sample (N = 457) of male and female participants between the ages of 6 to 73. 3D-MOT performance in subjects under age 13 was not impaired by a history of concussion, but was positively associated with cognition and balance. 3D-MOT performance in those 13 and older was negatively associated with concussion symptom severity, and positively associated with cognition and balance. 3D-MOT was selectively impaired in subjects with probable post-concussion syndrome (pPCS), defined using the 95th percentile of symptom severity for subjects with no history of concussion. A decision tree predicted concussion status with 95.2% overall test accuracy (91.1% sensitivity, 97.8% specificity) using concussion history, age, and 3D-MOT score. Individuals with a history of concussion in the past 37 days were predicted to have pPCS if they were age 35 or older, or if they were under age 35 but achieved scores below 1.2 on the 3D-MOT. These results demonstrate the potential of 3D-MOT for pPCS diagnosis, and highlight the increased vulnerability to concussion symptoms that comes with age.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,001 | 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) | 0,005 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».