NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka planElektroensefalogram (EEG) mikro halleri bilişsel ile ilgili beyin ağlarını etkili bir şekilde karakterize eder ve metal homeostaz bilişsel fonksiyonu korumak için çok önemlidir. Bununla birlikte, Parkinson hastalığı (PD) ile demans (PDD) arasındaki bu faktörler arasındaki ilişki belirsizliğini korumaktadır. Bu ilişkiyi araştırdık ve PDD'nin sınıflandırılmasında bu kombine özelliklerin performansını değerlendirdik. MethodsEEG mikro hallerinin doğrusal ve doğrusal olmayan özelliklerini 60 PDD'li hastada, 56 demanssız PD'li hastada (PDND) ve 60 sağlıklı kontrolde (HC) analiz ettik. PD'li hastalarda metal metabolizmasının göstergelerini ölçtük ve mikro hal özellikleri, klinik ölçek puanları ve metal metabolizma seviyeleri arasındaki korelasyonları inceledik. PDD'yi PDND'den ayırt etmek için bu entegre özelliklere sahip bir destek vektör makinesi (SVM) eğittik.Sonuçlar (1) PDD grubu ile karşılaştırıldığında, PDD grubu, mikro hal A'nın artan oluşumunu ve kapsamını, uzun süreli mikro hal B ve C'yi, mikro hal C'nin artan oluşumunu, ancak mikro hal B'nin oluşumunu ve kapsamını azalttı. HC ile karşılaştırıldığında, PDND grubu, uzun süreli mikro hal B ile birlikte mikro hal C'nin azalmış süresini ve oluşumunu gösterdi. Her iki PD alt grubu da HC'den daha düşük doğrusal olmayan dinamik metrikler gösterdi. (2) PDD grubu, PDND'den daha düşük serum transferrin (STf) vardı. Alt STf, mikro hal D'den A'ya kadar daha uzun süre mikro hal C ve daha yüksek TP ile ilişkiliydi. (3) Mikro hal parametreleri, eğrinin (AUC) altındaki en yüksek alanı elde etmesine rağmen, multimodal topluluk, hatırlamayı maksimize ederek ve yanlış negatifleri en aza indirerek PDDD'yi tanımlamak için üstün klinik fayda sağladı. EEG mikro hallerini metal metabolik göstergelerle entegre etmek, tanı duyarlılığını artırma potansiyeli gösterdi ve PDD tanımlaması için aday bir yaklaşım olarak daha fazla araştırma yapılmasını garanti etti.
Özgün kaynak özetini okuyun
BackgroundElectroencephalogram (EEG) microstates effectively characterise cognitive-related brain networks, and metal homeostasis is crucial for maintaining cognitive function. However, the relationship between these factors in Parkinson's disease (PD) with dementia (PDD) remains unclear. We investigated this association and evaluated the performance of these combined features in classifying PDD.MethodsWe analysed linear and nonlinear features of EEG microstates in 60 patients with PDD, 56 patients with PD without dementia (PDND), and 60 healthy controls (HC). We measured indicators of metal metabolism in patients with PD and examined correlations between their microstate characteristics, clinical scale scores, and metal metabolism levels. We trained a support vector machine (SVM) with these integrated features to differentiate PDD from PDND.Results(1) Compared with the PDND group, the PDD group showed increased occurrence and coverage of microstate A, prolonged duration of microstates B and C, increased occurrence of microstate C, but reduced occurrence and coverage of microstate B. Compared with HC, the PDND group showed decreased duration and occurrence of microstate C, along with prolonged duration of microstate B. Both PD subgroups showed lower nonlinear dynamic metrics than HC. (2) The PDD group had lower serum transferrin (STf) than PDND. Lower STf was associated with longer duration of microstate C and higher TP from microstate D to A. (3) Although microstate parameters achieved the highest area under the curve (AUC), the multimodal ensemble provided superior clinical utility for identifying PDD by maximizing recall and minimizing false negatives.ConclusionsAltered STf levels in PDD suggest an association between metal metabolism and brain network dysfunction relevant to pathophysiology. Integrating EEG microstates with metal metabolic indicators showed potential to enhance diagnostic sensitivity, warranting further investigation as a candidate approach for PDD identification.
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.