MétaCan
Menu
Retour à la cohorte
Enregistrement W2604387932 · doi:10.1002/ana.24928

Tailoring epilepsy surgery with fast ripples in the intraoperative electrocorticogram

2017· article· en· W2604387932 sur OpenAlexaff
Maryse A. van ’t Klooster, Nicole van Klink, Willemiek Zweiphenning, Frans S. S. Leijten, Rina Zelmann, Cyrille H. Ferrier, Peter C. van Rijen, Willem M. Otte, Kees P. J. Braun, Geertjan Huiskamp, Maeike Zijlmans

Notice bibliographique

RevueAnnals of Neurology · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueEpilepsy research and treatment
Établissements canadiensMcGill UniversityMontreal Neurological Institute and Hospital
Organismes subventionnairesStichting Epilepsie Instellingen NederlandNederlandse Organisatie voor Wetenschappelijk Onderzoek
Mots-clésElectrocorticographyEpilepsyElectroencephalographyEpilepsy surgeryAnterior temporal lobectomyMedicineTemporal lobectomyHazard ratioConfidence intervalSurgeryTemporal lobeInternal medicine

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: Intraoperative electrocorticography (ECoG) can be used to delineate the resection area in epilepsy surgery. High-frequency oscillations (HFOs; 80-500 Hz) seem better biomarkers for epileptogenic tissue than spikes. We studied how HFOs and spikes in combined pre- and postresection ECoG predict surgical outcome in different tailoring approaches. METHODS: We, retrospectively, marked HFOs, divided into fast ripples (FRs; 250-500 Hz) and ripples (80-250 Hz), and spikes in pre- and postresection ECoG sampled at 2,048 Hz in people with refractory focal epilepsy. We defined four groups of electroencephalography (EEG) event occurrence: pre+post- (+/-), pre+post+ (+/+), pre-post+ (-/+) and pre-post- (-/-). We subcategorized three tailoring approaches: hippocampectomy with tailoring for neocortical involvement; lesionectomy of temporal lesions with tailoring for mesiotemporal involvement; and lesionectomy with tailoring for surrounding neocortical involvement. We compared the percentage of resected pre-EEG events, time to recurrence, and the different tailoring approaches to outcome (seizure-free vs recurrence). RESULTS: We included 54 patients (median age, 15.5 years; 25 months of follow-up; 30 seizure free). The percentage of resected FRs, ripples, or spikes in pre-ECoG did not predict outcome. The occurrence of FRs in post-ECoG, given FRs in pre-ECoG (+/-, +/+), predicted outcome (hazard ratio, 3.13; confidence interval = 1.22-6.25; p = 0.01). Seven of 8 patients without spikes in pre-ECoG were seizure free. The highest predictive value for seizure recurrence was presence of FRs in post-ECoG for all tailoring approaches. INTERPRETATION: FRs that persist before and after resection predict poor postsurgical outcome. These findings hold for different tailoring approaches. FRs can thus be used for tailoring epilepsy surgery with repeated intraoperative ECoG measurements. Ann Neurol 2017;81:664-676.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,033
Score d'incertitude au seuil0,235

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,095
Tête enseignante GPT0,367
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations167
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnals of NeurologyMême sujetEpilepsy research and treatmentTravaux en français237 207