数据驱动的生物标志物比基于理论的生物标志物更好地与中风运动结果相关联

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 康复科学 康复科学 康复科学

背景情况:

• 慢性运动障碍是中风后的重大残疾.
• 以前的研究将运动结果与特定的运动系统结构 (如皮质脊髓) 的损伤联系起来.
• 基于理论的方法可能无法充分利用复杂的成像数据来预测中风恢复.

研究的目的:

• 开发和比较数据驱动的成像模型与基于理论的生物标志物来预测中风后的慢性运动结果.
• 评估不同数据驱动方法的预测准确性,包括损伤行为图和结构网络分析.
• 评估组合模型将成像数据和人口因素结合在一起对结果预测的影响.

主要方法:

• 使用了与受伤口罩训练的回归模型和来自789名中风患者的运动结果数据的交叉验证框架 (通过元分析增强神经成像遗传学 - ENIGMA中风恢复工作组).
• 基于理论的生物标志物 (例如,皮质脊柱体损伤负载) 和数据驱动的生物标志物 (损伤行为图,结构网络,区域结构断开) 之间的解释差异 (R2) 的比较.
• 开发了集体模型,将人口统计学变量 (年龄,性别,中风以来的时间) 与成像生物标志物结合起来.

主要成果:

• 数据驱动的生物标志物与慢性运动结果的关联比基于理论的生物标志物更强.
• 在数据驱动的方法中,区域结构断开模型的准确性最高 (R2 = 0.210).
• 组合模型结合了人口变量和基于理论和数据的生物标志物,实现了最佳的预测性能 (R2 = 0.241).

结论:

• 数据驱动的成像特征,特别是结构脱节的测量,与传统基于理论的生物标志物相比,可以更好地预测中风后的慢性运动结果.
• 将人口统计信息与先进的成像分析,特别是结构断路的整合,提高了运动结果预测的稳定性.
• 未来的研究应该专注于利用全面的数据驱动成像方法,以便更准确地预测中风恢复.