Large-scale Network Models of Mild Traumatic Brain Injury and Repetitive Head Trauma
Notice bibliographique
Résumé
Mild traumatic brain injury (mTBI) may be understood as a multi-scale system deficit where adverse clinical outcomes emerge due to interacting brain changes that span spatial scales. At the micro-scale a neurometabolic cascade affects neurotransmission, while on the macro-scale diffuse axonal injury disrupts long-range connections. Large-scale brain network modeling allows us to make insights across these spatial scales; integrating neuroimaging data with biophysically based models to predict whole-brain dynamics. In this thesis, I used brain network models to study the long-term effects of mTBI and repetitive head trauma. Study 1 found mTBI patients experiencing active post-concussion syndrome symptoms had lower regional inhibitory connection dynamics relative to comparison participants. Study 2 expanded these findings to a sample of mTBI patients recruited from hospital emergency rooms in the semi-acute phase (1-2 weeks) by showing regional inhibitory dynamics were related to chronic TBI outcomes. Finally, in Study 3 I linked lower regional inhibitory connection dynamics with higher concussion exposure, lower cognitive performance, and higher psychosocial complaints in a sample of retired professional hockey players. Together, the work offers converging evidence that lower regional inhibitory dynamics are related to concussion exposure and poorer clinical outcomes following mTBI. The work exemplifies how large-scale network modeling may be used to make cross-scale inferences otherwise inaccessible with conventional neuroimaging.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».