MétaCan
Menu
← Retour à la cohorte
Enregistrement W7117062403 · doi:10.1002/alz70862_110131

Microstructural differences in white matter tracts in Alzheimer’s disease, cerebrovascular disease, and Parkinson's disease

2025· article· en· W7117062403 sur OpenAlexaffabout
Dana N Broberg, Sandra E. Black, Richard H. Swartz, Anthony E Lang, Angela C. Roberts, Robert Bartha

Notice bibliographique

RevueAlzheimer s & Dementia · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueAdvanced Neuroimaging Techniques and Applications
Établissements canadiensToronto Western HospitalSunnybrook HospitalUniversity of TorontoRobarts Clinical TrialsWestern University
Organismes subventionnairesnon disponible
Mots-clésWhite matterDiseaseDiffusion MRIMagnetic resonance imagingWhite (mutation)

Résumé

récupéré en direct d'OpenAlex

Abstract Background Though previous research supports diffusion tensor imaging (DTI) as a biomarker for white matter integrity in diseases such as Alzheimer’s disease/mild cognitive impairment (ADMCI), Parkinson’s disease (PD), and cerebrovascular disease (CVD), few studies have compared white matter microstructure between different neurodegenerative aetiologies. This study aimed to characterize and compare the microstructure of white matter tracts in ADMCI, PD, and CVD patients using DTI data from the Ontario Neurodegenerative Disease Research Initiative (ONDRI). Method The ONDRI study included 119 ADMCI, 149 CVD, and 137 PD patients with usable DTI and T 1 MRI data. FreeSurfer’s TRACULA [ https://dmri.mgh.harvard.edu/tract‐atlas/ ] was used to reconstruct 39 white matter pathways and calculate average DTI metrics (fractional anisotropy, FA; mean diffusivity, MD; axial diffusivity, AxD; and radial diffusivity, RD) in each pathway. Patients with severe cerebral infarcts, hypointensities, or ventricular dilation that compromised tract reconstruction were excluded from further analyses. The final dataset included 96 ADMCI [n(%) female =50(52%); median(range) age =71(53‐87)], 107 CVD [n(%) female =35(33%); median(range) age =69(55‐85)], and 117 PD [n(%) female =28(24%); median(range) age =68(55‐84)] participants. Multivariate general linear models evaluated the effect of diagnosis on FA, MD, AxD, and RD in all 39 tracts. Result 3D segmentations of the 39 white matter tracts in a representative subject are shown in Figure 1. In the multivariate analyses, diagnosis had a strong, significant effect on all four DTI metrics (FA: p = 0.002, ηp 2 =0.180; MD: p = 0.001, ηp 2 =0.183; AxD: p = 0.003, ηp 2 =0.178; RD: p = 0.002, ηp 2 =0.181). Figures 2 and 3 display the post hoc pairwise comparisons of FA and MD, respectively, in only the tracts for which diagnosis had a significant ( p <0.05) effect in the univariate analyses. On average, PD participants had higher FA (2.3%, ηp 2 =0.030) and lower MD (1.7%; ηp 2 =0.032), AxD (1.3%; ηp 2 =0.036), and RD (2.3%; ηp 2 =0.027) within these tracts compared to ADMCI and CVD participants. There were very few significant differences between ADMCI and CVD participants. Conclusion PD participants had slightly more preserved white matter tract microstructural integrity than ADMCI or CVD participants who had lower FA and higher RD and MD values. Higher‐quality, advanced diffusion imaging may be necessary to detect the more subtle changes in white matter microstructure present in Parkinson’s disease patients.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,041
Score d'incertitude au seuil0,082

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,305
Écart entre enseignants0,271 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAlzheimer s & Dementia→Même sujetAdvanced Neuroimaging Techniques and Applications→Travaux en français237 207→