在青少年中使用灰质结构性MRI特征对长期COVID头痛的多变量预测

科学领域:

• 神经科学是一个神经科学.
• 放射学 放射学是一门学科.
• 传染性疾病 传染性疾病

背景情况:

• 头痛是长期COVID综合征的一个常见症状.
• 之前的研究报告了长期COVID中的大脑变化,但不是用于预测分类.
• 机器学习提供了一种新的方法来分析这些变化.

研究的目的:

• 为了确定机器学习是否可以区分长期COVID头痛的青少年和使用脑部MRI的初级头痛的青少年.
• 为了确定特定的神经成像特征,预测长期COVID中头痛病因.

主要方法:

• 分析了23名患有长期COVID头痛的青少年和23名患有主要头痛的青少年的结构性MRI扫描.
• 多维素模式分析 (MVPA) 用于基于灰色物质模式进行分类.
• 基于Connectome的预测建模 (CPM) 评估了结构共变网络,专注于thalamic连接.

主要成果:

• 在分类长期COVID头痛方面,MVPA获得了63.4%的准确性 (AUC=0.73),在轨道前和中部叶中识别了减少的灰质.
• CPM的准确率达到了69.5% (AUC=0.81),其中体连接是关键的区分因子.
• 这些发现突出了长期COVID头痛的独特神经成像特征.

结论:

• 结构性MRI特征可以有效地将长期的COVID头痛与初级头痛分类.
• 特定的灰质变化和乳头连接性变化预测了COVID-19后头痛病因.