基于sEEG传播网络的虚拟切除评估,用于治疗耐药性

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.
• 医疗工程 医学工程

背景情况:

• 耐药性通常需要手术干预以控制发作.
• 目前的外科手术结果受限于未准确识别发性区域.
• 需要改进的方法来准确地针对手术切除,以获得更好的无率.

研究的目的:

• 开发和验证一种新的计算方法,用于识别药物耐药性的最佳手术标.
• 为了利用高层次的有效连接来绘制发作传播途径.
• 通过精确地定义切除的发性区域来增强手术规划.

主要方法:

• 构建了高阶有效的连接模型,以揭示的脑动态和传播途径.
• 开发了一个基于传播路径和虚拟切除的外度指数的控制中心性评估方案.
• 通过模拟电极移除和重新计算中心性来评估虚拟切除方案,量化控制中心性.
• 使用模拟,临床和公共数据集验证了方法.

主要成果:

• 模拟,临床和公共数据集的一致结果证实了该方法的稳定性.
• 确定了精确的发作传播路径,揭示了虚拟切除过程中的关键拐点.
• 该方法确定了最小的干预目标,最大限度地降低了复发风险,并导致切割后的大脑状态稳定.
• 对控制中心性的定量分析成功地确定了手术的最佳干预区域.

结论:

• 高级有效连接性分析提供了一个精确的方法来绘制发性传播的地图.
• 控制中心性评估可以准确识别最佳的手术目标,提高干预效率.
• 这种计算方法有助于制定更有效的药物耐药性的手术计划,可能增加无发作率.