源因果连接 非侵入性预测药物耐药的手术结果

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 药物耐药性 (DRE) 影响了对抗发作药物 (ASM) 无反应的患者.
• 手术提供了可行的治疗方法,但成功率约为50%,需要预测结果.
• 目前用于预测手术结果的侵入性方法存在感染和并发症的风险.

研究的目的:

• 提出一个非侵入性的"源因果连接"框架,以预测DRE患者的外科治疗结果.
• 为了确定可靠的生物标志物来预测手术的成功.
• 加强对DRE的个性化治疗策略.

主要方法:

• 使用sLORETA (标准化低分辨率电磁断层扫描) 来从EEG中反向重建内神经元电活动.
• 应用了全收交叉映射 (FCCM) 来量化发性区域 (EZ) 内的因果联系.
• 开发了一种机器学习模型,将因果网络特征结合起来,用于预测外科手术结果.

主要成果:

• 在α频段 (8-13 Hz) 中的源因果连接显示了成功和失败的手术组之间的显著差异 (p=5.00e-05,Cohen's d=0.68).
• 机器学习模型在预测外科手术结果方面平均准确度超过85%.
• 使用高斯核和贝叶斯优化的支持向量机 (SVM) 获得了最高的准确性 (90.73%).

结论:

• 发性区域的源因果网络作为可靠的,非侵入性的生物标志物,用于预测DRE手术结果.
• 这一框架支持对DRE患者的非侵入性精密医学的发展.
• 这些发现为临床医生在选择DRE的外科候选人方面提供了更好的指导.