来自变的参数,以估计发性区域网络的参数.
Ionuț-Flavius Bratu1,2, Julia Makhalova1,2,3, Elodie Garnier2
1APHM, Timone Hospital, Epileptology and Cerebral Rhythmology, Marseille, France.
Epilepsia
|December 2, 2023
概括
变指数 (PEI) 通过分析脑后活动有效地识别了发性区域网络 (EZN). 这种新的方法有望改善手术的结果.
科学领域:
- 神经科学是一个神经科学.
- 信号处理 信号处理
- 的研究研究.
背景情况:
- 量化发性区域网络 (EZN) 通常依赖于发作开始分析.
- 然而,后期呈现出重要的EZN变化,提供了有价值的诊断信息.
- 变 (PE) 测量信号复杂性,并可以分析这些周期性立体电脑图 (SEEG) 信号变化.
研究的目的:
- 为了确定最佳的PE衍生参数 (PEDP) 来确定EZN.
- 评估不同PEDP在定性后期EZN的有效性.
主要方法:
- 追溯分析SEEG记录的86名患有耐药性的患者的发作.
- 计算各种PEDP,包括后端到前端和前端的比率.
- 使用临床定义的EZN (EZNc) 对接收器操作特征和精度回忆曲线进行性能评估.
主要成果:
- 最大的后眼与最小眼的比率,称为变值指数 (PEI),是表现最好的PEDP.
- 在接触 (AUC 0.72,F1 0.39) 和区域 (AUC 0.78,F1 0.47) 两种水平上,PEI实现了高精度.
- 在具有缓慢发作模式的患者中,PEI表现更高,与手术结果相关.
结论:
- PEI是一种强大的,易于实施的工具,用于在临床环境中增强EZN划分.
- PEI对发作高度敏感,在发作时缺乏快速活动.
- 这种方法为改善患者的手术规划和结果提供了一个有希望的方法.
