使用基于卷积神经网络的伊克塔尔脑电图来预测先验药物的期叶的抗药性

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 的研究研究.

背景情况:

• 耐药性会影响30%-40%的患者,这给临床带来了重大挑战.
• 药物耐药性的早期预测对于有效的管理至关重要,但目前缺乏可靠的方法.
• 叶 (TLE) 是一种常见的形式,通常与药物耐药性有关.

研究的目的:

• 使用电脑电图 (EEG) 数据开发药物耐药性的预测模型.
• 为了确定潜在的生物标志物来预测TLE中的抗药物 (ASM) 反应.
• 探索对预测耐药个体的治疗干预措施.

主要方法:

• 建立了一个经典的耐药叶 (TLE) 鼠标模型,使用杏仁体点燃和phenytoin.
• 在治疗前分析了药物耐药和药物响应的老鼠的脑电图 (EEG).
• 开发了一个卷积神经网络 (CNN) 模型,根据治疗前的EEG特征来预测耐药性.

主要成果:

• 在TLE大鼠模型中,CNN模型在预测药物耐药性方面达到78%的准确性.
• 耐药性大鼠在ictalEEG中表现出较低的马波段功率,这种发现也在耐药性TLE患者中观察到.
• 在预测耐药性大鼠中准 subiculum 显著降低了随后的耐药性.

结论:

• 一种基于EEG的新型人工智能方法可以预测TLE的抗药性.
• 在ictalEEG中,马波段功率降低作为药物耐药性的潜在生物标志物.
• 早期预测允许未来的治疗干预,可能改善药物耐药性患者的治疗结果.