结合手术和基于使用SEEG的发作模式的自动发作发作识别算法

科学领域:

• 神经科学是一个神经科学.
• 医疗技术 医疗技术 医学技术
• 计算生物学 计算生物学

背景情况:

• 精确识别发性区域 (EZ) 对于成功的手术至关重要.
• 立体 intracranial electroencephalography (SEEG) 有助于在手术前评估网络.
• 目前的SEEG分析依赖于视觉解释,缺乏客观的定量方法来进行手术规划,特别是对于高频振荡 (HFO).

研究的目的:

• 介绍TAILOR (定制的算法用于Ictal定位和发作预测),一种用于检测发作发作的新型自动化算法.
• 根据精确的发作发作确定,使网络的定量估计成为可能.
• 为了提高治疗中手术规划的准确性.

主要方法:

• 开发一种自动化算法,TAILOR,用于发作发作检测.
• 利用患者特定的功率频谱模式来预测高时间分辨率的发作.
• 使用TAILOR算法对临床SEEG数据进行回顾性分析.

主要成果:

• 泰勒以高时间分辨率确定了发作发作的顺序.
• 算法成功地将实际的手术区域排在第一个位置,在八个回顾性分析的案例中,有六个是成功的.
• 根据TAILOR识别的详细发作发作顺序,估计了网络.

结论:

• 泰勒提供了一种自动化的定量方法,用于使用功率频谱模式检测发作.
• 该算法的基于发作开始顺序估计网络的能力显示了改善治疗准确性的承诺.
• 这种方法预计将提高手术的精度和患者的治疗结果.