结合内EEG和fMRI来计算动态静止状态指数,用于验证外科手术结果

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 发病学 (Epileptology) 是一个专业的学科.

背景情况:

• 精确地定位发作发作区 (SOZ) 对于成功的手术至关重要.
• 目前用于SOZ识别的技术面临重大挑战,通常需要在侵入性监测期间捕获发作.
• 这种限制影响了手术候选人和监测的持续时间.

研究的目的:

• 开发和验证一种用于发作网络特征的新型工具.
• 结合静止状态内EEG (rs-iEEG) 和静止状态fMRI (rs-fMRI) 的动态生物标志物来确定SOZ.
• 提高SOZ定位的准确性,减少在监测期间依赖捕获发作.

主要方法:

• 从rs-iEEG和rs-fMRI数据计算出源-沉降指数 (SSI).
• 在17名儿科耐药性患者 (年龄在3-15岁) 中评估了SSI得分.
• 在手术后1年进行的手术结果比较 (恩格尔I-II与恩格尔III-IV).

主要成果:

• 结合rs-iEEG和rs-fMRI的综合动态指数 (im-DNM) 显著区分了成功和不成功的外科治疗结果.
• 这种综合方法表明,与单个生物标志物相比,单独使用rs-fMRI或rs-iEEG的预测准确度更高.
• 结合的动态网络模型显示了比独立模式更好的预测性能.

结论:

• 开发的组合动态网络模型为手术结果提供了更准确的预测.
• 利用来自互补模式的互点数据改善了SOZ本地化.
• 这种方法有可能提高手术候选性并减少侵入性监测持续时间.