Node abnormality predicts seizure outcome and relates to long-term relapse after epilepsy surgery
Notice bibliographique
Résumé
Abstract Objective We assessed pre-operative structural brain networks and clinical characteristics of patients with drug resistant temporal lobe epilepsy (TLE) to identify correlates of post-surgical seizure outcome at 1 year and seizure relapses up to 5 years. Methods We retrospectively examined data from 51 TLE patients who underwent anterior temporal lobe resection (ATLR) and 29 healthy controls. For each patient, using the pre-operative structural, diffusion, and post-operative structural MRI, we generated two networks: ‘pre-surgery’ network and ‘surgically-spared’ network. The pre-surgery network is the whole-brain network before surgery and the surgically-spared network is a subnetwork of the pre-surgery network which is expected to remain unaffected by surgery and hence present post-operatively. Standardising these networks with respect to controls, we determined the number of abnormal nodes before surgery and expected to remain after surgery. We incorporated these 2 abnormality measures and 13 commonly acquired clinical data from each patient in a robust machine learning framework to estimate patient-specific chances of seizures persisting after surgery. Results Patients with more abnormal nodes had lower chance of seizure freedom at 1 year and even if seizure free at 1 year, were more likely to relapse within five years. In the surgically-spared networks of poor outcome patients, the number of abnormal nodes was greater and their locations more widespread than in good outcome patients. We achieved 0.84 ± 0.06 AUC and 0.89 ± 0.09 specificity in detecting unsuccessful seizure outcomes at 1-year. Moreover, the model-predicted likelihood of seizure relapse was significantly correlated with the grade of surgical outcome at year-one and associated with relapses up-to five years post-surgery. Conclusion Node abnormality offers a personalised non-invasive marker, that can be combined with clinical data, to better estimate the chances of seizure freedom at 1 year, and subsequent relapse up to 5 years after ATLR.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 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 ».