A conceptual framework for the use of neuroimaging to study and predict pharmacoresistance in epilepsy
Notice bibliographique
Résumé
Twenty percent to 49% of newly treated patients with epilepsy will develop pharmacoresistance (PR). The mechanisms leading to PR are unclear. There is currently no unifying theory to explain the variety of presentations of PR and the diversity of potential contributing factors. Etiology of seizures seems to play a critical role in at least a subset of PR. Many magnetic resonance imaging (MRI) studies in the advanced stages of epilepsy suggest a strong association between lesions such as hippocampal sclerosis and focal cortical dysplasia and PR. Unfortunately, almost all of these studies are cross-sectional and retrospective. There is a need for a new perspective on the role of preexisting lesions in the evolution of epilepsy and PR. We propose in this article to study a unique population of drug-naive patients with either first seizure or new-onset epilepsy longitudinally with advanced MRI imaging techniques, including magnetic resonance spectroscopy and diffusion tensor imaging. We hope to be able to monitor imaging findings and the development of PR early in the course of the disease in a subset of these patients with temporal lobe epilepsy (TLE). Our goal is to understand the pathogenesis of PR, to dissect changes associated with the development of PR from changes associated with chronic seizures and medication, and ultimately to predict PR at the onset of disease.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,009 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,010 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».