Utility of Magnetoencephalography in the Evaluation of Recurrent Seizures after Epilepsy Surgery
Notice bibliographique
Résumé
PURPOSE: To study the role of magnetoencephalography (MEG) in the surgical evaluation of children with recurrent seizures after epilepsy surgery. METHODS: We studied 17 children with recurrent seizures after epilepsy surgery using interictal and ictal scalp EEG, intracranial video EEG (IVEEG), MRI, and MEG. We analyzed the location and distribution of MEG spike sources (MEGSSs) and the relationship of MEGSSs to the margins of previous resections and surgical outcome. RESULTS: Clustered MEGSSs occurred at the margins of previous resections within two contiguous gyri in 10 patients (group A), extended spatially from a margin by < or =3 cm in three patients (group B), and were remote from a resection margin by >3 cm in six patients (group C). Two patients had concomitant group A and C clusters. Thirteen patients underwent second surgeries. IVEEG was used in four patients. Six of seven patients with group A MEGSS clusters did not require IVEEG for second surgeries. Follow-up periods ranged from 0.6 to 4.3 years (mean: 2.6 years). Eleven children, including eight who became seizure-free, achieved Engel class I or II. CONCLUSION: Our data demonstrate the utility of MEG for evaluating patients with recurrent seizures after epilepsy surgery. Specific MEGSS cluster patterns delineate epileptogenic zones. Removing cluster regions adjacent to the margins of previous resections, in addition to removing recurrent lesions, achieves favorable surgical outcome. Cluster location and extent identify which patients require IVEEG, potentially eliminating IVEEG for some. Patients with remotely located clusters require IVEEG for accurate assessment and localization of the entire epileptogenic zone.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».