因果大脑网络预测耐药患者手术结果:一项回顾性比较研究

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 的研究研究.

背景情况:

• 药物耐药性 (DRE) 的手术成功率仍然是可变的 (30%-70%).
• 预测手术结果对于优化治疗策略至关重要.
• 网络神经科学为外科预后提供了潜在的生物标志物.

研究的目的:

• 系统地探索因果大脑网络生物标志物,以预测DRE手术结果.
• 为了验证融合交叉映射 (CCM) 在识别预测网络特征方面的有效性.
• 开发基于已识别的生物标志物进行结果预测的机器学习模型.

主要方法:

• 从17名DRE患者的电皮图 (ECoG) 数据的回顾性分析.
• 使用6个算法在发性区域 (EZ) 和非发性区域 (NEZ) 内的ictal ECoG构建因果大脑网络.
• 应用曼-惠特尼-U测试和机器学习 (SVM) 来识别生物标志物和预测结果.

主要成果:

• 通过CCM计算的EZ中的α频段 (8-13Hz) 因果连接性,在成功和失败的手术组之间显示出显著的差异 (P=7.85e-08,Cohen的d=0.77).
• 由CCM定义的EZ大脑网络有效地区分了手术结果,即使考虑到临床共变量.
• 一个支持向量机 (SVM) 分类器使用这些网络功能实现了平均84.48%的预测准确度.

结论:

• 因果大脑网络分析,特别是EZ中CCM衍生的α带连接,可以作为预测DRE手术结果的可靠生物标志物.
• 整合这些网络特征的机器学习模型可以准确预测手术成功.
• 这些发现可以指导临床决策和改善DRE患者管理.