NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
GirişParkinson hastalığı (PD), aberrant bazal gangliya aktivitesine bağlı motor disfonksiyon ile karakterize olan önemli bir küresel yük taşıyan ilerici bir nörodejeneratif bozukluktur. Bu çok siteli çalışma, subtalamik çekirdek (STN) fonksiyonel bağlantı (FC) anormalliklerini karakterize etmek ve PD'nin makine öğrenme sınıflandırmasında yararlarını değerlendirmek için havuzlu dinlenme durumu fonksiyonel manyetik rezonans görüntüleme (rs-fMRI) verilerini analiz etti. MethodsBiz, 232 katılımcıdan (158 PD hasta ve 74 sağlıklı kontroller [HCs], dört depo boyunca rs-fMRI verilerini analiz ettik: Parkinson'un Progressioners Mark Initiative (MIPP). Tohum bazlı FC analizi ikili STN'lere odaklandı. Grup karşılaştırmaları (PD vs. HC'ler) Gaussian Random Field (GRF) düzeltmesi ile iki örnek t-testi kullanılarak değerlendirildi. Önemli FC özelliklerini içeren bir destek vektör makinesi (SVM) sınıflandırıcısı tanı sınıflandırması için kullanıldı.ResultsPatients with PD, STN FC'de HC'lere kıyasla önemli ikili azalmalar gösterdi. Özellikle, sol STN sol üst temporal girus ve sağ supramarginal girus ile bağlantının azaldığını gösterirken, sağ STN sağ üst temporal girus, sol orta temporal girus ve sol alt ön girus (voksel p SonuçBu çalışma, STN-temporal/parietal hipokonnektivitenin PD'nin olası bir çekirdek özelliği olarak daha fazla araştırma gerektirdiğini göstermektedir. Ayrıca, STN merkezli FC modellerinin yüksek çeviri potansiyelini, makine öğrenimi ile entegre edildiğinde tanısal biyobelirteçler olarak gösterir, kişiselleştirilmiş nöromodülasyon stratejilerinde geliştirilmiş PD sınıflandırması ve gelecekteki uygulamaların önünü açar.
Özgün kaynak özetini okuyun
IntroductionParkinson's disease (PD) is a progressive neurodegenerative disorder imposing a significant global burden, characterized by motor dysfunction linked to aberrant basal ganglia activity. This multisite study analyzed pooled resting-state functional magnetic resonance imaging (rs-fMRI) data to characterize subthalamic nucleus (STN) functional connectivity (FC) abnormalities and to evaluate their utility in machine learning classification of PD.MethodsWe analyzed rs-fMRI data from 232 participants (158 PD patients and 74 healthy controls [HCs]) across four repositories: Parkinson's Progression Markers Initiative (PPMI), OpenfMRI, and FCP/INDI (NEUROCON dataset and Tao Wu dataset). Seed-based FC analysis focused on bilateral STNs. Group comparisons (PD vs. HCs) were assessed using two-sample t-tests with Gaussian Random Field (GRF) correction. A support vector machine (SVM) classifier, incorporating significant FC features, was used for diagnostic classification.ResultsPatients with PD exhibited significant bilateral reductions in STN FC compared to HCs. Specifically, the left STN showed decreased connectivity with the left superior temporal gyrus and the right supramarginal gyrus, whereas the right STN showed decreased connectivity with the right superior temporal gyrus, the left middle temporal gyrus, and the left inferior frontal gyrus (voxel p p ConclusionThis study suggests that STN-temporal/parietal hypoconnectivity warrants further investigation as a possible core feature of PD. Furthermore, it demonstrates the high translational potential of STN-centric FC patterns as diagnostic biomarkers when integrated with machine learning, paving the way for improved PD classification and future applications in personalized neuromodulation strategies.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.