Clinical yield of magnetoencephalography distributed source imaging in epilepsy: A comparison with equivalent current dipole method
Notice bibliographique
Résumé
OBJECTIVE: Source localization of interictal epileptic discharges (IEDs) is clinically useful in the presurgical workup of epilepsy patients. It is usually obtained by equivalent current dipole (ECD) which localizes a point source and is the only inverse solution approved by clinical guidelines. In contrast, magnetic source imaging using distributed methods (dMSI) provides maps of the location and the extent of the generators, but its yield has not been clinically validated. We systematically compared ECD versus dMSI performed using coherent Maximum Entropy on the Mean (cMEM), a method sensitive to the spatial extent of the generators. METHODS: 340 source localizations of IEDs derived from 49 focal epilepsy patients with foci well-defined through intracranial EEG, MRI lesions, and surgery were analyzed. The comparison was based on the assessment of the sublobar concordance with the focus and of the distance between the source and the focus. RESULTS: dMSI sublobar concordance was significantly higher than ECD (81% vs 69%, P < 0.001), especially for extratemporal lobe sources (dMSI = 84%; ECD = 67%, P < 0.001) and for seizure free patients (dMSI = 83%; ECD = 70%, P < 0.001). The median distance from the focus was 4.88 mm for ECD and 3.44 mm for dMSI (P < 0.001). ECD dipoles were often wrongly localized in deep brain regions. CONCLUSIONS: dMSI using cMEM exhibited better accuracy. dMSI also offered the advantage of recovering more realistic maps of the generator, which could be exploited for neuronavigation aimed at targeting invasive EEG and surgical resection. Therefore, dMSI may be preferred to ECD in clinical practice. Hum Brain Mapp 39:218-231, 2018. © 2017 Wiley Periodicals, Inc.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».