Connectomic Profiling Identifies Responders to Vagus Nerve Stimulation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Vagus nerve stimulation (VNS) is a common treatment for medically intractable epilepsy, but response rates are highly variable, with no preoperative means of identifying good candidates. This study aimed to predict VNS response using structural and functional connectomic profiling. METHODS: Fifty-six children, comprising discovery (n = 38) and validation (n = 18) cohorts, were recruited from 3 separate institutions. Diffusion tensor imaging was used to identify group differences in white matter microstructure, which in turn informed beamforming of resting-state magnetoencephalography recordings. The results were used to generate a support vector machine learning classifier, which was independently validated. This algorithm was compared to a second classifier generated using 31 clinical covariates. RESULTS: Treatment responders demonstrated greater fractional anisotropy in left thalamocortical, limbic, and association fibers, as well as greater connectivity in a functional network encompassing left thalamic, insular, and temporal nodes (p < 0.05). The resulting classifier demonstrated 89.5% accuracy and area under the receiver operating characteristic (ROC) curve of 0.93 on 10-fold cross-validation. In the external validation cohort, this model demonstrated an accuracy of 83.3%, with a sensitivity of 85.7% and specificity of 75.0%. This was significantly superior to predictions using clinical covariates alone, which exhibited an area under the ROC curve of 0.57 (p < 0.008). INTERPRETATION: This study provides the first multi-institutional, multimodal connectomic prediction algorithm for VNS, and provides new insights into its mechanism of action. Reliable identification of VNS responders is critical to mitigate surgical risks for children who may not benefit, and to ensure cost-effective allocation of health care resources. ANN NEUROL 2019;86:743-753.
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.
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 | 0,000 | 0,002 |
| 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) | 0,000 | 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 découle