Multimodal Approach in the Identification of Biomarkers of Mild Traumatic Brain Injury: Resting State fMRI, ASL, and SWI
Notice bibliographique
Résumé
ABSTRACT Introduction Concussion, or mild traumatic brain injury (mTBI), is a significant public health issue with limited understanding of its pathophysiology and management. While concussed individuals exhibit functional brain disruptions, the mechanisms remain unclear. Various brain imaging methods, such as susceptibility‐weighted imaging (SWI), resting‐state fMRI (rs‐fMRI), and perfusion MRI, have produced mixed results. Currently, concussion evaluation relies on subjective clinical symptoms, which are unreliable and nonspecific. Objective assessment tools are needed. This study explored the potential of a multimodal MRI approach to identify concussion biomarkers. Methods Twenty‐nine adults with symptoms within one month of concussion and 29 matched healthy controls underwent MRI with rs‐fMRI, SWI, and 2D pseudo‐Continuous Arterial Spin Labeling (2D‐pCASL). Rs‐fMRI data were analyzed using seed‐to‐voxel, ROI‐to‐ROI, and ICA analyses. Cerebral blood flow (CBF) from 2D‐pCASL was calculated, and SWI was evaluated qualitatively by neurosurgeons. Neuropsychological assessments were also performed on the concussed group, and results were correlated with neuroimaging metrics. Results Only rs‐fMRI showed significant differences, with concussed subjects displaying increased functional connectivity, particularly in the default mode, salience, and frontoparietal networks. No significant differences were found in ASL results, and SWI revealed microbleeds in just 3 of 29 subjects. Discussion All concussed subjects exhibited abnormal findings in one or more MRI modalities. Rs‐fMRI proved the most sensitive, correlating with post‐concussion symptoms and showing functional connectivity changes in all subjects.
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 | 0,006 | 0,008 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».