量化枢纽性来预测的手术结果:评估切除-枢纽对齐在间接的内EEG网络
Ruxue Gong1,2, Rebecca W Roth1, Kaitlyn Hull3
1Department of Neurology, School of Medicine, Emory University, Atlanta, Georgia, USA.
Epilepsia
|September 21, 2024
概括
通过手术切除脑网络枢纽,通过切除枢纽对齐度 (RHAD) 测量,显著改善手术的结果. 这种新的指标提供了比传统方法更好的预测,以获得无的结果.
科学领域:
- 神经科学是一个神经科学.
- 发病学 (Epileptology) 是一个专业的学科.
- 网络科学 网络科学
背景情况:
- 内EEG (iEEG) 在焦点中识别网络.
- 网络组织与手术后控制之间的联系尚未完全理解.
- 衡量大脑区域影响的尺度Hubness对于评估网络组织至关重要.
研究的目的:
- 测试是否删除间接网络枢纽与有利的术后发作结果相关.
- 引入和验证新的切割枢纽对齐度 (RHAD) 度量.
主要方法:
- 分析了69名患者的iEEG数据 (45名没有发作,24名没有发作的术后).
- 使用各种频段的虚拟连贯性构建连接矩阵.
- 应用中心性指标来识别网络枢纽,并使用RHAD量化枢纽切断一致性.
- 使用后勤回归来评估RHAD与结局的关联,控制临床因素.
主要成果:
- 在无和无患者之间的快速马 (80-200 Hz) 间接网络中发现了RHAD的显著差异 (p=0.025).
- 单独使用RHAD (AUC=0.66) 和与外科治疗类型 (AUC=0.71) 显示出预测有效性.
- 传统的测量方法 (发作区,刺激区) 在预测结果方面没有显著差异.
结论:
- 在高玛iEEG网络中通过RHAD量化的间接网络枢纽的外科切除对于预测手术成功至关重要.
- 该RHAD指标提供了更精细的网络分析和更好的预测性能的术后发作结果.
