Retinal thickness predicts the risk of cognitive decline in Parkinson's disease
Notice bibliographique
Résumé
Objective: To analyze longitudinal changes of retinal thickness and their predictive value as biomarkers of disease progression in idiopathic Parkinson’s disease (iPD). \n\t\t\t\t Methods: Patients with Lewy body diseases (LBDs) were enrolled and prospectively evaluated at 3 years, including patients with iPD (n=42), dementia with Lewy bodies (DLB, n=4), E46K-SNCA mutation carriers (n=4) and controls (n=17). All participants underwent Spectralis retinal optical coherence tomography and Montreal Cognitive Assessment (MoCA), and Unified Parkinson’s Disease Rating Scale (UPDRS) score was obtained in patients. Macular ganglion-inner plexiform layer complex (GCIPL) and peripapillary retinal nerve fiber layer (pRNFL) thickness reduction rates were estimated with linear mixed models. Risk ratios were calculated to evaluate the association between baseline GCIPL and pRNFL thickness and the risk of subsequent cognitive and motor worsening, using clinically meaningful cut-offs. \n\t\t\t\t Results: GCIPL thickness in the parafoveal region (1- to 3-mm ring) presented the largest reduction rate. The annualized atrophy rate was 0.63 µm in iPD patients and 0.23 µm in controls (p<0.0001). iPD patients with lower parafoveal GCIPL and pRNFL thickness at baseline presented an increased risk of cognitive decline at 3 years (RR 3.49, 95% CI 1.10 – 11.1, p=0.03 and RR 3.28, 95% CI 1.03 – 10.45, p=0.045, respectively). We did not identify significant associations between retinal thickness and motor deterioration. \n\t\t\t\t Interpretation: Our results provide evidence of the potential use of OCT-measured parafoveal GCIPL thickness to monitor neurodegeneration and to predict the risk of cognitive worsening over time in iPD.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».