XiaoMi-AI文件搜索系统
World File Search System变症
多变量病变症状映射，以预测从失语症中恢复的轨迹
中风后失语症的人倾向于在某种程度上恢复其语言；但是，可靠地预测长期将发生的恢复的性质和程度仍然充满挑战。这项研究的目的是定量预测语言结果的第一年，从多个语言的多个领域和中风后多个时间点恢复。我们招募了217名失语症患者，急性左半球缺血或出血性中风，并使用快速的Aphinia电池急性电池评估了他们的语音和语言功能，然后在势利点最多获得纵向后续数据，最多三个时间点：1个月（n = 102）（n = 102），3个月（n = 98）（n = 98）（n = 98）和1年（n = 74）（n = 74）。我们使用支持矢量回归来使用急性临床成像数据，人口统计学变量和初始失语症的严重程度作为输入来预测每个时间点的语言结果。我们发现，可以使用这些模型来预测长期（1年）失语症的60％的差异，并具有有关病变位置的详细信息，重要的是有助于这些预测。在1个月和3个月的时间点上的预测基于病变位置的准确性较小，但在模型中包括初始APHA SIA的严重性时，在1年时间点的预测中达到了可比的准确性。语言的特定子域除了总体严重程度外，还具有不同的准确性，但通常相似的准确性。我们的发现证明了使用支持矢量回归模型具有带有一方面的交叉验证的可行性，以对长期恢复失语症进行个性化预测，并提供有价值的神经解剖基线，以在此基准上建立未来模型，并将未来的模型纳入超出神经解剖学和人际预测因素以外的信息。
使用 NIHSS 子评分进行病变症状映射
摘要 背景 病变-症状映射 (LSM) 是一种统计技术，用于研究结构完整性与中风后临床结果之间的人群特定关系。在临床实践中，通常使用美国国立卫生研究院中风量表 (NIHSS) 来评估患者，这是一个包含 11 个领域的临床评分，用于量化中风引起的神经功能缺损。到目前为止，LSM 研究大多使用 NIHSS 总分进行分析，这可能无法揭示与 NIHSS 评估的特定子领域相关的细微结构-功能关系。因此，这项工作的目的是研究使用子分数信息进行 LSM 分析的可行性，以揭示总分可能无法揭示的类别特定结构-功能关系。 方法 采用多变量技术，对 ESCAPE 试验中 180 名中风后 48 小时进行 NIHSS 评估的患者样本进行 LSM 分析。使用两种方案将 NIHSS 领域分为六类。对两组的每个类别和 NIHSS 总分进行了 LSM。结果子评分 LSM 不仅可以识别出 NIHSS 总分认为至关重要的大多数大脑区域，还可以揭示对 NIHSS 评估的每个功能类别至关重要的其他大脑区域，而无需进行广泛的专业评估。结论这些发现表明，广泛使用的临床结果评估子评分可用于研究更具体的结构-功能关系，这可能会在现代临床中风评估和神经影像学背景下改善中风结果的预测模型。试验注册号 NCT01778335。