XiaoMi-AI文件搜索系统
World File Search SystemPalsy
进行性核上性麻痹和皮层基底节综合征患者的网络连接和生存结构相关性
图 5 识别预测结果的跨诊断成分。我们使用 Cox 模型的偏最小二乘回归来找到一个成分 (a)，该成分最大化了连接和审查死亡时间之间的协方差。连接代表 PLSR 权重，因此对于得分较高的受试者，红色表示连接较强，蓝色表示连接较弱。PSP 患者和 CBS 患者 (c) 之间的此成分没有差异。使用五倍交叉验证并使用一致性分析和综合曲线下面积评估结果，我们发现连接提供了患者人口统计信息和住院运动之外的额外信息，但结合结构、临床和基线指标可提供最佳预测准确性 (de)。（DMN，默认模式网络；DAN，背侧注意网络；FPN，额顶网络；SM，感觉运动；TN，丘脑网络；VAN，腹侧注意网络）。
肌张力障碍性脑瘫啮齿动物模型中纹状体胆碱能中间神经元数量增加
导致脑瘫 (CP) 的新生儿脑损伤是儿童肌张力障碍的最常见原因，肌张力障碍是一种痛苦且功能性衰弱的运动障碍。罕见的单基因肌张力障碍病因与纹状体胆碱能中间神经元 (ChI) 病理有关。然而，目前尚不清楚纹状体 ChI 病理是否也与新生儿脑损伤后的肌张力障碍有关。我们使用无偏立体学来估计新生儿脑损伤啮齿动物模型中的纹状体 ChI 和小清蛋白阳性 GABA 能中间神经元 (PVI) 数量，该模型显示出肌张力障碍和痉挛的电生理标志。新生儿脑损伤后，纹状体 ChI 数量增加，而 PVI 数量保持不变。这些数字与肌张力障碍严重程度的电生理测量值无关。这表明，尽管存在纹状体 ChI 病理，但可能不是新生儿脑损伤后肌张力障碍的主要病理生理因素。在肌张力障碍性脑性瘫痪的情况下，纹状体 ChI 数量的增加可能代表一种乘客现象或保护现象。
使用无监督机器学习揭示进行性核上性麻痹的萎缩时空模式
我们的队列包括 426 例进行性核上性麻痹病例，其中 367 例至少接受过一次随访扫描，另 290 例为对照。在进行性核上性麻痹病例中，357 例临床诊断为进行性核上性麻痹 - 理查森综合征，52 例为进行性核上性麻痹 - 皮质变异（进行性核上性麻痹 - 额叶、进行性核上性麻痹 - 言语/语言或进行性核上性麻痹 - 皮质基底节），17 例为进行性核上性麻痹 - 皮质下变异（进行性核上性麻痹 - 帕金森病或进行性核上性麻痹 - 进行性步态冻结）。亚型和分期推断应用于从基线结构（T1 加权）MRI 扫描中提取的体积 MRI 特征，然后用于对随访扫描进行亚型和分期。随访中的亚型和分期用于验证亚型和分期分配的纵向一致性。我们进一步比较了每种亚型的临床表型，以深入了解进行性核上性麻痹病理、萎缩模式和临床表现之间的关系。
机器学习应用于脑瘫和中风中的步态分析数据：系统评价
背景：在神经病理学中，脑瘫和中风是行走障碍的主要因素。在最近的文献中提出了机器学习方法，以分析这些患者的步态数据。但是，机器学习方法仍然无法有效地转化为临床应用。这一系统评价解决了阻碍机器学习数据分析在脑瘫和中风患者的临床评估中使用的差距。研究问题：将提议的机器学习方法转移到临床应用中的主要挑战是什么？方法：PubMed，Web of Science，Scopus和IEEE数据库被搜索，以获取有关机器学习方法的相关出版物，直到2023年2月23日，将其应用于中风和脑瘫患者的步态分析数据。提取了与所提出方法有效翻译为临床使用的适用性，可行性和可靠性有关的信息，并根据一组预定义的问题评估了质量。结果：从4120个结果参考文献中，有63个符合纳入标准。三十一项研究使用了监督，32条使用了无监督的机器学习方法。人工神经网络和K-均值聚类是每个类别中最常用的方法。缺乏特征和算法选择的基本原理，使用未经复制的数据集以及群集输出的临床解释性缺乏，这是这些方法的临床可靠性和适用性的主要因素。意义：文献提供了许多机器学习方法，用于从脑瘫和中风患者聚集步态数据。然而，所提出的方法的临床意义仍然缺乏，将其翻译成现实世界的应用。未来研究的设计必须考虑到临床问题，数据集意义，特征和模型选择以及结果的解释性，鉴于它们对临床翻译的关键性。
早期诊断为MRI，一般运动和神经检查的早产儿的脑瘫
标题页早期诊断为早产儿的早期诊断MRI，一般运动和神经学检查Shipra Jain，MD，1,2,3 Karen Harpster，OTR/L，PhD，3,4,5 Stephanie Merhar，MS，MS，MS，MS，1,2,3 Beth Kline Kline-Fath，1,2,3 Beth Kline-sita，3,6,6,7 Mekib，3,7 MEKAT AATTA，3,7 MEKAT AATTA， Priyanka Illapani 1,3 Colleen Peyton，DPT，9 Nehal A. Parikh，DO，MS。辛辛那提婴儿神经发育早期预测研究（Cineps）研究人员的1,2,3隶属关系：1辛辛那提儿童医院医疗中心，俄亥俄州辛辛那提，俄亥俄州，俄亥俄州辛辛那提2中心，俄亥俄州辛辛那提市，美国4个职业治疗和物理治疗部，辛辛那提儿童医院医疗中心，俄亥俄州辛辛那提，俄亥俄州辛辛那提5号5号康复健康科学康复，锻炼，运动和营养科学系俄亥俄州7辛辛那提大学医学院放射学系，俄亥俄州辛辛那提市8辛辛那提儿童医院医学中心生物统计学和流行病学司，俄亥俄州辛辛那提市9号物理治疗和人类运动科学系和人类运动科学系，伊利诺伊州西北大学的儿童兴趣：资助者在调查结果的设计，分析或表现中没有发挥作用。数据共享声明：可以根据合理的要求向通讯作者请求所有DEDIADIAD参与者数据。资金来源：由国立卫生研究院支持R01-NS094200和R01- NS096037，来自国家神经系统疾病和中风研究所（NINDS）和R01 EB029944-01，来自国家生物医学成像和BioEngibering（Nibib）的R01 EB029944-01。论文介绍信息：本文于2023年4月30日在美国华盛顿特区的小儿学术社会国际会议上发表。
无线面部生物传感系统，用于监视带有柔性微对电极阵列的面对面麻痹
面部麻痹（FP）深刻影响着人际关系和情感表达，需要精确的诊断和监测工具以进行最佳护理。但是，当前的肌电图（EMG）系统受其庞大的性质，复杂的设置和对熟练技术人员的依赖的限制。在这里，我们报告了一种创新的生物传感方法，该方法利用了PEDOT：PSS-SODIFIFED浮动微针电极阵列（P-FMNEA）来克服现有EMG设备的局限性。柔软的系统水平力学确保对面部曲线区域的出色构成，从而使靶向的肌肉合奏运动能够检测到面部麻痹评估。此外，我们的设备熟练地捕获了每个电脉冲，以响应神经外科手术过程中的实时直接神经刺激。通过服务器将EMG信号的无线运输到医疗设施中增加了对患者的后续评估数据的访问，促进了及时的治疗建议，并在典型的6个月后续过程中允许访问多个面部EMG数据集。此外，该设备的软机制可以减轻空间复杂性，减轻疼痛的问题，并最大程度地减少与传统针电极定位相关的软组织血肿。这种开创性的生物传感策略有可能通过提供有效的，用户友好且侵入性较低的EMG设备来改变FP管理。这项开创性的技术可以在FP管理和治疗干预中更明智的决策。
推拿治疗脑瘫儿童特发性便秘的疗效：一项随机对照临床试验
目的：探讨推拿治疗脑瘫儿童特发性便秘的疗效及不良反应。方法：将60例特发性便秘的脑瘫患儿随机分为推拿组和对照组。对照组给予基础治疗加乳果糖口服液治疗12次，推拿组给予基础治疗加小儿推拿治疗12次。比较两组患儿布里斯托大便形态学评分（BSFS）、便秘评定量表（CAS）及便秘改善情况，并记录不良反应。结果：治疗结束后4周，推拿组便秘改善婴儿比例为23例（76.7%），对照组为21例（70.0%）（P=0.771）。治疗初期，两组CAS评分、每周排便次数及排便≥2小时婴儿比例均无统计学差异（P>0.05）。治疗结束后4周，两组CAS评分、每周排便次数及排便≥2小时婴儿比例均较治疗初期明显改善（P<0.05）。但治疗结束后4周，两组间差异均无统计学意义。治疗过程中未见腹泻、腹痛、呕吐、皮下发红、皮肤破损、晕厥等严重不良反应。结论：推拿在两组中均具有与基础治疗同等疗效。本研究结果表明，推拿作为一种非药物疗法，可能有助于治疗便秘。尚需开展更深入的研究和大样本研究。
脑脊柱刺激和短期间隔跑步机训练脑瘫：一项试验性研究
30（20，30）受影响更大的一侧基于基线和父报告时的痉挛性。id =参与者标识符；双痉挛=双侧痉挛性CP； UNI痉挛=单侧痉挛性CP；侧面=受影响更大的一面； GMFCS =总运动功能分类系统； afo-fc =脚踝矫形器鞋类组合； ΔS=基于第一次和最后一个会话的最快速度，快速爆发sbltt速度从第一次到上一个会话变化。tscs振幅应用于t11 =胸部棘突11，l1 =腰棘过程1。*巴氯芬的使用逐渐在研究前两周结束的儿童初级保健医师的指导下逐渐驱逐到零，除了在研究阶段仅在SBLTT阶段服用了5 mg巴氯芬的P01。
利用机器学习进行多模态 MRI 鉴别帕金森病和进行性核上性麻痹的效用
经典帕金森病 (PD) 和进行性核上性麻痹 (PSP)（尤其是理查森综合征 (PSP-RS)）的早期鉴别诊断通常受到症状特征重叠的限制，现有的临床评分或既定的诊断方法无法有效捕捉这些症状特征。在这种情况下，即使是运动障碍专家也报告了高达 24% 的失败率 ( 1 )。在临床实践中，PD 和 PSP-RS 的诊断主要基于临床检查，包括主要特征、对左旋多巴的反应以及统一 PD 评定量表 (UPDRS) ( 2 ) 等既定评分。然而，由于临床症状明显重叠且床边检查准确性不足，鉴别诊断通常具有挑战性，尤其是在疾病早期。准确的早期诊断与通过适当的药物管理、患者护理方案更好地管理疾病密切相关，并且可能显著改善疾病预后。此外，识别早期疾病表现可能带来更有针对性的药物疗法，并推动在这一领域开发更有效的药物疗法。在这方面，使用各种磁共振成像 (MRI) 模式，如 T1 加权 ( 3 , 4 )、T2 加权 ( 5 , 6 ) 和扩散张量 MRI (DTI) ( 7 , 8 ) 进行的分组研究显示，PD 和 PSP-RS 患者与健康对照 (HC) 受试者之间存在显著差异。这些差异表明区域脑容量、脑铁代谢和微结构脑组织退化发生了改变，所有这些都与 PD 和 PSP-RS 与 HC 受试者相比的神经退行性特征密切相关 ( 9 – 11 )。监督式机器学习技术能够识别高维数据中的复杂模式，而识别出的模式可用于对新的未知病例做出针对特定患者的预测 (12)。机器学习已成功用于解决各种精准医疗问题 (13)，多项研究尝试利用上述分组研究获得的特征对个体 PD 和 PSP-RS 患者进行分类 [例如 (14-16)]。然而，到目前为止，只有少数科学研究真正尝试利用多模态成像特征的力量来改善 PD 和 PSP-RS 患者的鉴别分类 [例如 (17、18)]。此外，与单模态成像信息相比，多模态成像的真正优势尚未详细探讨。因此，本研究旨在提出一个全面的端到端框架，使用 T1 加权、T2 加权和 DTI 数据集对 PD 患者、PSP-RS 患者和 HC 受试者进行分类，并评估使用单个单模态特征和多模态特征训练的最佳机器学习模型的准确性。
猎户座：全球2b/3期，随机，双盲，安慰剂对照试验的AMX0035进行了进行性上核瘫痪（A35-009）
1马萨诸塞州综合医院和美国马萨诸塞州波士顿的哈佛医学院； 2德国慕尼黑的路德维希 - 马克西米利人 - 大学医院； 3美国马萨诸塞州剑桥市Amylyx Pharmaceuticals，Inc。； 4个国家医院组织Higashinagoya国家医院，日本纳戈亚； 5意大利帕多瓦大学帕多瓦大学； 6加利福尼亚大学，美国加利福尼亚州旧金山； 7医院诊所De Barcelona/IDIBAPS/西班牙加泰罗尼亚巴塞罗那大学巴塞罗那大学UBNEURO研究所； 8 SorbonneUniversité，援助PublicqueHôpitauxde Paris，巴黎脑研究所 - ICM，Inserm，CNRS，CNRS，Pitié-Salpêtrière医院神经病学系，法国巴黎； 9 Edmond J. Safra计划帕金森氏病和Rossy PSP中心，大学卫生网络和加拿大多伦多多伦多大学； 10伦敦大学伦敦大学皇后广场神经病学研究所，英国伦敦； 11 Karolinska Institutet，Solna，瑞典；瑞典哥德堡大学哥德堡大学12号； 13罗伯特·伍德·约翰逊医学院，美国新泽西州新泽西州新泽西州