孤立非焦点性 dystonia 的解剖学分类:使用数据驱动方法的新型和现有模式
J R Younce1, R H Cascella2, B D Berman3
1Department of Neurology and Biomedical Research Imaging Center, University of North Carolina at Chapel Hill, Chapel Hill, NC, United States.
Dystonia (Lausanne, Switzerland)
|November 3, 2023
概括
这项研究使用了对1,618名参与者的数据驱动集群来对 dystonia 分布进行分类. 这些发现强化了骨和椎 dystonia 的已知模式,并表明四肢参与可能是一个未被认可的亚型.
科学领域:
- 神经学 神经学
- 数据科学数据科学数据科学
- 医疗信息学 医疗信息学
背景情况:
- 传统上, dystonia 的分类依赖于有关受影响的身体分布 (焦点,细分,多焦点,通用) 的专家共识.
- 需要一种经验性,数据驱动的方法来完善非焦点 dystonia 模式的分类.
研究的目的:
- 用数据驱动的集群方法来经验性地分类 dystonia 分布.
- 分析使用Dystonia Coalition (DC) 数据集在预定义的身体区域中非焦点性 dystonia 的频率和并发率.
主要方法:
- 从DC数据库中分析了1,618名患有孤立非焦点 dystonia 的参与者.
- 使用频率表,层次聚类,独立组件分析 (ICA) 和共识层次聚类在18个预定义的身体区域.
主要成果:
- 层次分类揭示了双边腿,上/下面,手和脚之间的密切关系.
- 国际航空公司确定了双边手,子和上/下面的不同分组.
- 共识集群确定了三个主要集群:与相邻区域的宫 dystonia,双边手 dystonia 和 dystonia.
结论:
- 数据驱动的分析证实了骨和椎 dystonia 的常见细分模式.
- 双边四肢卷入之间的强烈关联表明对称的多焦点模式可能是一个未被认可的低焦点性 dystonia 亚型.
更多相关视频
10:41Implantation of Osmotic Pumps and Induction of Stress to Establish a Symptomatic, Pharmacological Mouse Model for DYT/PARK-ATP1A3 Dystonia
Published on: September 12, 2020
7.4K
14:27Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
Published on: June 26, 2013
15.7K
