个性化流行病传播模型预测手术的结果:一个伪前性研究
Ana P Millán1,2, Elisabeth C W van Straaten1,3,4, Cornelis J Stam1,5,4
1Amsterdam UMC, Vrije Universiteit Amsterdam, Department of Clinical Neurophysiology and MEG Center, Amsterdam, The Netherlands.
Network neuroscience (Cambridge, Mass.)
|July 2, 2024
概括
一个新的计算模型,流行性传播和手术 (ESSES) 框架,预测了手术的结果. 在没有侵入性EEG数据的情况下,ESSES通过建议最佳切除和估计成功概率来帮助术前规划.
科学领域:
- 计算神经科学是一种神经科学.
- 发病学 (Epileptology) 是一个专业的学科.
- 医学成像和数据分析.
背景情况:
- 手术是对抗药性的关键治疗方法,但许多患者在切除后经历持续性发作.
- 准确的术前规划对于优化手术结果和预测患者特定结果至关重要.
- 目前的方法往往难以有效地预测术后控制.
研究的目的:
- 开发和验证一个个性化的计算模型,即流行性传播和手术 (ESSES) 框架,用于预测手术的结果.
- 通过确定最佳切除策略和估计发作自由的可能性,评估ESSES协助术前规划的能力.
- 为了评估ESSES在伪前性,盲目的环境中的性能,而不需要侵入性电脑图 (iEEG) 数据.
主要方法:
- 开发了ESSES框架,将流行病传播原则与患者特定的连接性和型性地图结合起来.
- 以iEEG记录的15名患者的发作来复制发作动态,以追溯地调整ESSES参数.
- 在34名患者的伪前性研究中验证了ESSES,评估了其对外科手术结果的预测准确性 (无 vs 非无) 并将基于模型的切除与实际手术计划进行比较.
主要成果:
- ESSES准确地复制了EEG记录的发作,在没有发作 (SF) 的患者中表现更好,而不是在没有发作 (NSF) 的患者中.
- 该模型预测了良好的结果,SF的准确率为80.8%,NSF的准确率为75%,在伪前性验证中.
- 基于模型的最佳切除在SF患者中较小,实际的手术计划在SF患者中与NSF患者相比显示出更大的重叠和对扩散的影响.
结论:
- 像ESSES这样的个性化计算模型可以通过建议最佳切除和预测术后结果,显著地告知手术规划.
- 在不需要iEEG数据的情况下,ESSES通过成功预测盲目的伪前性队列中的结果来证明其临床适用性.
- 这些发现表明,ESSES可以帮助识别可能从手术中受益的患者,并指导更有效的切除策略,可能改善控制.
