意識障害のパーソナライズされたモデルは,診断と予後における接続性および局所的パラメータの補完的な役割を明らかにする

科学分野:

• 神経科学
• コンピュータ生物学
• 医療用イメージング

背景:

• 意識障害 (DoC) は,病変の多様性,脳のメカニズムの変化,症状の重症度,およびコミュニケーション障害による診断および予後的な課題を提示します.
• 神経画像と数学モデリングは,DoC患者の変化を定量化する可能性を秘めています.
• 現在の方法は診断と予後のための患者特有のバイオマーカーが欠けている.

研究 の 目的:

• 機能的磁気共鳴画像 (fMRI) データに関する新しい分析とモデリングパイプラインを開発する.
• 患者レベルでの診断と予測のバイオマーカーを作り出すために,次元縮小と生物学的にインスパイアされた全脳モデルを使用します.
• DOCの理解と管理の改善のための枠組みを作成する.

主な方法:

• fMRIデータは,データ複雑性と情報保存に基づいて,低次元潜伏空間に投影されました.
• 神経細胞活動に関するアストロサイト調節を含む,生物学的にインスパイアされた潜在的全脳モデルが,単一の患者レベルで校正されました.
• モデルベースのバイオマーカー (MBB) は接続性マトリックスとローカルノードパラメータから導出されました.

主要な成果:

• モデルから派生した接続性マトリックスは,DoC患者における診断の重度に関する情報を提供した.
• 局所的なノードパラメータは,患者の病因,年齢,および予後と相関する.
• パイプラインは患者特有のバイオマーカーを生成することに成功しました

結論:

• 休息状態のfMRIのための開発されたデータ処理フレームワークは,DoC患者の診断と予後のために重要な情報を提供します.
• モデルベースのバイオマーカーは,診断の重症度と予後レベルの両方で新しい洞察を提供します.
• このパイプラインは 他の神経疾患にも 適用できる可能性があります