有效的连接可预测的手术结果:一项SEEG研究

科学领域:

• 神经外科
• 病学
• 计算神经科学

背景情况:

• 叶 (TLE) 是最常见的耐药性 (DRE),在手术后的发作率为 ~ 70%.
• 精确的发区域定位和确切的切除术对于成功的TLE手术至关重要.
• 目前的方法在预测TLE患者的手术结果方面缺乏准确性.

研究的目的:

• 开发一种用于预测TLE患者手术预后的新方法.
• 通过使用内脑电图 (iEEG) 将手术切除区域与有效连接特征集成.
• 提高TLE手术规划和结果的准确性.

主要方法:

• 对56名经过手术的TLE患者进行分析,并跟踪超过1年.
• 使用立体脑电图 (SEEG) 和单脉冲电刺激 (SPES) 测试.
• 构建基于皮质皮质唤起潜力 (CCEPs) 的机器学习 (ML) 模型 (SVM),以预测外科结果.

主要成果:

• 在不同手术结果的患者之间观察到有效连接的显著差异.
• 没有发作的患者在发作开始区域 (SOZ) 和外部区域以及切除区域之间显示出更强的连接性.
• 开发的ML模型实现了高预测准确度 (0. 800) 和AUC (0. 893).

结论:

• 整合手术切除区域和有效连接显示了预测TLE手术结果的潜力.
• 这种方法提供了一种改进手术切除的新方法,
• 这种方法的进一步验证可能会改善手术规划和结果.