在临床注释的发性区域的因果大脑网络预测了耐药的手术结果

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 医疗信息学 医疗信息学

背景情况:

• 耐药性 (DRE) 影响了许多患者,神经外科手术的成功率有限,约为50%.
• 在DRE中预测手术结果对于患者管理至关重要.
• DRE被理解为网络障碍,但缺乏对发性区域 (EZ) 网络的系统因果探索.

研究的目的:

• 开发一种新的因果合算法,即"完全融合交叉映射 (FCCM)",以提高量化.
• 用FCCM来描述DRE中的多频发性网络.
• 用网络功能和机器学习来预测DRE中的手术结果.

主要方法:

• 开发并验证了非线性系统分析的"完全融合交叉映射 (FCCM) "算法.
• 将FCCM应用于来自多个中心的22名DRE患者 (81次发作) 的内EEG (iEEG) 数据.
• 利用来自FCCM的网络功能,以基于机器学习的手术结果预测.

主要成果:

• 在非线性,准确性和稳定性方面,FCCM表现出卓越的性能.
• 与未成功手术相比,在成功手术的患者中观察到显著更高的发性网络合强度.
• 支持矢量机 (SVM) 模型在使用FCCM衍生网络特征来预测手术结果时达到87.65%的准确性.

结论:

• 发性因果网络作为一个可靠的生物标志物来预测DRE手术结果.
• 在DRE治疗中,FCCM方法对推进精密医学的前景显示出希望.