Delineating functional magnetic resonance imaging connectivity states of the old and young during resting-state and sleep
Notice bibliographique
Résumé
À mesure que la population vieillit, le système de santé et la société du Canada font face à des demandes croissantes du public en termes de personnel et de finances. Les populations âgées sont connues pour l'hétérogénéité de leurs états de santé. Caractériser cette diversité de trajectoires de vieillissement est fondamental pour comprendre la santé et les neuropathologies liées à l'âge. L'utilisation de l'imagerie par résonance magnétique (IRM) est une procédure non-invasive typique pour étudier le vieillissement du cerveau. L'IRM fonctionnelle « au repos » mesure efficacement l'activité cérébrale chez des sujets de tous âges et capacités, car elle n'impose aucune exigence au-delà du fait de rester immobile et éveillé. La méthode standard d'analyse statique en IRM fonctionnelle consiste à identifier des différences de connectivité moyenne entre cohortes, mais cette approche est inefficace pour caractériser l'hétérogénéité présente au sein des cohortes. Nous appliquons ici une méthode guidée par les données, avec laquelle nous identifions des états cérébraux prototypiques dérivés de la connectivité fonctionnelle variable dans le temps, afin de discriminer des sous-populations au sein des cohortes âgées. Nous analysons une population saine de sujets jeunes et âgés pour les différences liées à l'âge, pour l'activité différentielle pendant le sommeil de mouvement oculaire non-rapide (NREM2) et pour l'impact du contenu des pensées spontanées, mesurées pendant la procédure de repos. Finalement, dans une analyse exploratoire préliminaire, nous avons utilisé nos méthodes pour comparer les caractéristiques du sommeil et de l'éveil. Nous démontrons que notre méthode guidée par les données identifie des états cérébraux qui discriminent entre et au sein des cohortes, à la fois pendant l'éveil et le sommeil. Dans les deux cas, nous identifions des sous-cohortes âgées qui expliquent la quasi-totalité de la variance liée à l'âge retrouvée dans l'analyse statique. Nous avons observé un effet d'interaction croisée entre les scores du contenu de la pensée et la cohorte d'âge. Cela peut être expliqué par le gyrus temporal moyen agissant comme une voie de compensation pour les pensées liées au passé chez les sujets plus âgés. Dans notre dernière analyse, nous avons trouvé que les états cérébraux les plus corrélés à travers les bases de données de sommeil et de veille étaient associés à la population plus jeune. Cela était prévu, puisque la facilité à s'endormir diminue avec l'âge. Nous avons également observé moins de corrélation entre les états cérébraux des cohortes jeunes et âgées pendant le sommeil que lorsque les participants étaient éveillés, soulignant que le sommeil était une source intéressante pour la recherche liée à l'âge. En somme, notre méthode fournit un aperçu de l'hétérogénéité du vieillissement du cerveau dans les populations âgées, au-delà de ce qui peut être observé au moyen d'une 'analyse standard. Ces résultats soulignent l'importance de délimiter les états cérébraux sous-jacents dans les études sur le vieillissement. De plus, puisque la méthode est guidée par les données, elle peut être appliquée à des bases de données sans connaissance préalable de la pathologie, et offre donc un outil prometteur pour identifier les biomarqueurs dans les études futures.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».