构建发作定位方法的生态系统:神经脆弱性作为第一步

科学领域:

• 计算神经科学是一种计算神经科学.
• 医疗信息学医学信息学
• 软件工程 软件工程 软件工程

背景情况:

• 准确的发作发作区 (SOZ) 定位对于手术治疗耐药性至关重要.
• 使用计算性发性区域识别算法 (CEZIAs) 进行内EEG (iEEG) 分析,有望改善SOZ定位.
• 缺乏标准化,可复制和可访问的工具阻碍了CEZIAs的开发和验证.

研究的目的:

• 引入一个开源的R包生态系统 (EZFragility,Epoch,TableContainer) 用于标准化的iEEG数据分析和CEZIA开发.
• 促进共享开发,验证和采用计算局部化方法.
• 提高手术中SOZ识别的准确性和效率.

主要方法:

• 使用神经脆弱性方法开发三个相互连接的R包:用于数据处理的TableContainer,用于iEEG处理和可视化的Epoch,以及用于SOZ定位的EZFragility.
• 对iEEG数据的数据格式和存储的标准化.
• 提供公开可访问的iEEG数据集和完整记录的开源代码.

主要成果:

• 与原始方法相比,EZFragility软件包准确地复制了神经脆弱性的结果,证明了较高的计算效率和用户体验.
• 包装生态系统为分析iEEG数据和定位SOZ提供了可重复的框架.
• 公共可用的iEEG数据和开源代码促进了透明度和协作.

结论:

• 开发的R包生态系统代表了为CEZIA研究创造一个协作和可重复的环境的重要一步.
• 这个开源框架通过提供可访问的数据分析和算法开发工具来支持研究.
• 未来的工作将涉及将额外的CEZIA纳入该框架,以进一步推进SOZ本地化和外科结果预测.