♻️شناسایی ابعاد جدید بیماری #تصلب #چندگانه (#MS): #آکسون های #نخاعی شاخص درست تشخیص میزان پیشرفت و ازکارافتادگی ناشی از MS نیستند.
#Axonal #loss in the #multiple #sclerosis (#MS) #spinal #cord revisited
در پژوهشی که به تازگی توسط پژوهشگران نوروسانیس دانشگاه کویین مری لندن 🇬🇧 صورت گرفته است مشخص شد که بررسی های برش های عرضی نخاع شاخص خوبی برای پیش بینی میزان #پیشرفت و #پیش آگهی بیماری تصلب چندگانه (MS) نیست.
⚠️بطور رایج تصور بر این است که در MS، از دست رفتن غشای میلینه آکسون ها (رشته های عصبی) علت از کارافتادگی و عوارض متعدد بیماران است. به همین دلیل از MRI برای بررسی سطح مقطع نخاع بیماران مبتلا به MS برای بررسی وضعیت بیماری استفاده گسترده ای می شود.
🔬در این پژوهش که بصورت مقایسه کالبدشکافی پس از مرگ بر نخاع 13 فرد دارای MS (متوسط دوره بیماری 29 سال) و 5 فرد سالم صورت گرفت، با استفاده از 396 بلوک سلولی مشخص شد تفاوت های بین #نخاع افراد سالم و افراد مبتلا به MS معنادار نیستند.
📚در #آسیب های #نخاعی، افرادی که تنها کمتر از 10 درصد آکسون های نخاعی را دارند قادرند از #اندام های #تحتانی خود بخوبی استفاده نمایند. اما در بیماران MS با وجودی که افراد بیش از 40% آکسون های #نخاعی خود را دارند، ناچار به استفاده از ویلچر هستند. این پژوهش هنوز در فاز مقدماتی خود است و بررسی و تحلیل نتایج کارکردی با استفاده از fMRI بر شرکت کنندگان در پژوهش ادامه دارد تا مشخص شود علت دقیق ازکارافتادگی و محدودیت های حسی، ادراکی، و حرکتی افراد مبتلا به MS دقیقاً ناشی از چه مواردی هستند.
Abstract
#Preventing #chronic #disease #deterioration is an unmet need in people with #multiple #sclerosis, where #axonal loss is considered a key substrate of disability. Clinically, chronic multiple sclerosis often presents as #progressive #myelopathy. Spinal cord cross-sectional area (#CSA) assessed using MRI predicts increasing disability and has, by inference, been proposed as an indirect index of axonal degeneration. However, the association between CSA and axonal loss, and their correlation with #demyelination, have never been systematically investigated using human #post #mortem tissue. We extensively sampled spinal cords of seven women and six men with multiple sclerosis (mean disease duration= 29 years) and five healthy controls to quantify axonal density and its association with demyelination and CSA. 396 tissue blocks were embedded in paraffin and immuno-stained for myelin basic protein and phosphorylated neurofilaments. Measurements included total CSA, areas of (i) #lateral #cortico-spinal tracts, (ii) #gray matter, (iii) #white matter, (iv) demyelination, and the number of axons within the lateral #cortico-spinal tracts. Linear mixed models were used to analyze relationships. In multiple sclerosis CSA reduction at #cervical, #thoracic and #lumbar levels ranged between 19 and 24% with white (19–24%) and gray (17–21%) matter #atrophy contributing equally across levels. Axonal #density in multiple sclerosis was lower by 57–62% across all levels and affected all fibers regardless of diameter. Demyelination affected 24–48% of the gray matter, most extensively at the thoracic level, and 11–13% of the white matter, with no significant differences across levels. Disease duration was associated with reduced axonal density, however not with any area index. Significant association was detected between focal demyelination and decreased axonal density. In conclusion, over nearly 30 years multiple sclerosis reduces axonal density by 60% throughout the spinal cord. #Spinal #cord #cross #sectional area, reduced by about 20%, appears to be a poor predictor of axonal density.
لینک منبع 👇🏻(further reading)👇🏻
http://onlinelibrary.wiley.com/doi/10.1111/bpa.12516/full
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
#Axonal #loss in the #multiple #sclerosis (#MS) #spinal #cord revisited
در پژوهشی که به تازگی توسط پژوهشگران نوروسانیس دانشگاه کویین مری لندن 🇬🇧 صورت گرفته است مشخص شد که بررسی های برش های عرضی نخاع شاخص خوبی برای پیش بینی میزان #پیشرفت و #پیش آگهی بیماری تصلب چندگانه (MS) نیست.
⚠️بطور رایج تصور بر این است که در MS، از دست رفتن غشای میلینه آکسون ها (رشته های عصبی) علت از کارافتادگی و عوارض متعدد بیماران است. به همین دلیل از MRI برای بررسی سطح مقطع نخاع بیماران مبتلا به MS برای بررسی وضعیت بیماری استفاده گسترده ای می شود.
🔬در این پژوهش که بصورت مقایسه کالبدشکافی پس از مرگ بر نخاع 13 فرد دارای MS (متوسط دوره بیماری 29 سال) و 5 فرد سالم صورت گرفت، با استفاده از 396 بلوک سلولی مشخص شد تفاوت های بین #نخاع افراد سالم و افراد مبتلا به MS معنادار نیستند.
📚در #آسیب های #نخاعی، افرادی که تنها کمتر از 10 درصد آکسون های نخاعی را دارند قادرند از #اندام های #تحتانی خود بخوبی استفاده نمایند. اما در بیماران MS با وجودی که افراد بیش از 40% آکسون های #نخاعی خود را دارند، ناچار به استفاده از ویلچر هستند. این پژوهش هنوز در فاز مقدماتی خود است و بررسی و تحلیل نتایج کارکردی با استفاده از fMRI بر شرکت کنندگان در پژوهش ادامه دارد تا مشخص شود علت دقیق ازکارافتادگی و محدودیت های حسی، ادراکی، و حرکتی افراد مبتلا به MS دقیقاً ناشی از چه مواردی هستند.
Abstract
#Preventing #chronic #disease #deterioration is an unmet need in people with #multiple #sclerosis, where #axonal loss is considered a key substrate of disability. Clinically, chronic multiple sclerosis often presents as #progressive #myelopathy. Spinal cord cross-sectional area (#CSA) assessed using MRI predicts increasing disability and has, by inference, been proposed as an indirect index of axonal degeneration. However, the association between CSA and axonal loss, and their correlation with #demyelination, have never been systematically investigated using human #post #mortem tissue. We extensively sampled spinal cords of seven women and six men with multiple sclerosis (mean disease duration= 29 years) and five healthy controls to quantify axonal density and its association with demyelination and CSA. 396 tissue blocks were embedded in paraffin and immuno-stained for myelin basic protein and phosphorylated neurofilaments. Measurements included total CSA, areas of (i) #lateral #cortico-spinal tracts, (ii) #gray matter, (iii) #white matter, (iv) demyelination, and the number of axons within the lateral #cortico-spinal tracts. Linear mixed models were used to analyze relationships. In multiple sclerosis CSA reduction at #cervical, #thoracic and #lumbar levels ranged between 19 and 24% with white (19–24%) and gray (17–21%) matter #atrophy contributing equally across levels. Axonal #density in multiple sclerosis was lower by 57–62% across all levels and affected all fibers regardless of diameter. Demyelination affected 24–48% of the gray matter, most extensively at the thoracic level, and 11–13% of the white matter, with no significant differences across levels. Disease duration was associated with reduced axonal density, however not with any area index. Significant association was detected between focal demyelination and decreased axonal density. In conclusion, over nearly 30 years multiple sclerosis reduces axonal density by 60% throughout the spinal cord. #Spinal #cord #cross #sectional area, reduced by about 20%, appears to be a poor predictor of axonal density.
لینک منبع 👇🏻(further reading)👇🏻
http://onlinelibrary.wiley.com/doi/10.1111/bpa.12516/full
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
Wiley
Axonal loss in the multiple sclerosis spinal cord revisited
Preventing chronic disease deterioration is an unmet need in people with multiple sclerosis, where axonal loss is considered a key substrate of disability. Clinically, chronic multiple sclerosis often...
♻️روشی جدید برای تشخیص #طول #عمر
#Precision #Radiology: #Predicting #longevity using feature #engineering and #deep #learning methods in a #radiomics framework
پژوهشگران دانشگاه آدلاید، دانشگاه کوینزلند، و انستیتو تکنیک های پیشرفته لیسبون در پژوهشی که به تازگی منتشر شده است، دریافتند سیستم های هوش مصنوعی قادرتند طول عمر افراد را با مرور #CTاسکن های #اندام های آنان پیش بینی کنند.
در این پژوهش که بر CTاسکن #سینه 48 بیمار صورت گرفت، سیستم های #هوش #مصنوعی (#AI) بر اساس #الگوریتم های #یادگیری #عمیق توانستند با 69 درصد دقت (همانند پیش بینی های معمول پزشکان) احتمال #مرگ #بیمار را در 5 سال آتی پیش بینی کنند. پژوهشگران نتوانستند مشخص کنند که برنامه های هوش مصنوعی دقیقاً بر اساس بررسی کدام بخش از تصاویر CTاسکن پیش بینی را صورت داده اند، اما پیش بینی ها در بیماری های وخیم مزمن (همچون #آمفیزم و بیماری های #قلبی) دقیق تر بود.
Abstract
#Precision #medicine approaches rely on obtaining precise knowledge of the true state of #health of an individual patient, which results from a combination of their #genetic risks and #environmental exposures. This approach is currently limited by the lack of effective and efficient non-invasive medical tests to define the full range of #phenotypic variation associated with individual #health. Such knowledge is critical for improved early intervention, for better #treatment #decisions, and for ameliorating the steadily worsening epidemic of chronic disease. We present proof-of-concept experiments to demonstrate how routinely acquired #cross-sectional #CT #imaging may be used to predict patient #longevity as a proxy for overall individual health and disease status using #computer image analysis techniques. Despite the limitations of a modest dataset and the use of off-the-shelf machine learning methods, our results are comparable to previous ‘manual’ clinical methods for longevity prediction. This work demonstrates that #radiomics techniques can be used to extract #biomarkers relevant to one of the most widely used outcomes in #epidemiological and #clinical research – #mortality, and that #deep #learning with convolutional #neural #networks can be usefully applied to radiomics research. Computer image analysis applied to routinely collected medical images offers substantial potential to enhance #precision #medicine initiatives.
لینک منبع 👇🏻(further reading)👇🏻
https://www.nature.com/articles/s41598-017-01931-w
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
#Precision #Radiology: #Predicting #longevity using feature #engineering and #deep #learning methods in a #radiomics framework
پژوهشگران دانشگاه آدلاید، دانشگاه کوینزلند، و انستیتو تکنیک های پیشرفته لیسبون در پژوهشی که به تازگی منتشر شده است، دریافتند سیستم های هوش مصنوعی قادرتند طول عمر افراد را با مرور #CTاسکن های #اندام های آنان پیش بینی کنند.
در این پژوهش که بر CTاسکن #سینه 48 بیمار صورت گرفت، سیستم های #هوش #مصنوعی (#AI) بر اساس #الگوریتم های #یادگیری #عمیق توانستند با 69 درصد دقت (همانند پیش بینی های معمول پزشکان) احتمال #مرگ #بیمار را در 5 سال آتی پیش بینی کنند. پژوهشگران نتوانستند مشخص کنند که برنامه های هوش مصنوعی دقیقاً بر اساس بررسی کدام بخش از تصاویر CTاسکن پیش بینی را صورت داده اند، اما پیش بینی ها در بیماری های وخیم مزمن (همچون #آمفیزم و بیماری های #قلبی) دقیق تر بود.
Abstract
#Precision #medicine approaches rely on obtaining precise knowledge of the true state of #health of an individual patient, which results from a combination of their #genetic risks and #environmental exposures. This approach is currently limited by the lack of effective and efficient non-invasive medical tests to define the full range of #phenotypic variation associated with individual #health. Such knowledge is critical for improved early intervention, for better #treatment #decisions, and for ameliorating the steadily worsening epidemic of chronic disease. We present proof-of-concept experiments to demonstrate how routinely acquired #cross-sectional #CT #imaging may be used to predict patient #longevity as a proxy for overall individual health and disease status using #computer image analysis techniques. Despite the limitations of a modest dataset and the use of off-the-shelf machine learning methods, our results are comparable to previous ‘manual’ clinical methods for longevity prediction. This work demonstrates that #radiomics techniques can be used to extract #biomarkers relevant to one of the most widely used outcomes in #epidemiological and #clinical research – #mortality, and that #deep #learning with convolutional #neural #networks can be usefully applied to radiomics research. Computer image analysis applied to routinely collected medical images offers substantial potential to enhance #precision #medicine initiatives.
لینک منبع 👇🏻(further reading)👇🏻
https://www.nature.com/articles/s41598-017-01931-w
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
Nature
Precision Radiology: Predicting longevity using feature engineering and deep learning methods in a radiomics framework
Scientific Reports - Precision Radiology: Predicting longevity using feature engineering and deep learning methods in a radiomics framework