Computational modelling in source space from scalp EEG to inform presurgical evaluation of epilepsy
Notice bibliographique
Résumé
OBJECTIVE: The effectiveness of intracranial electroencephalography (iEEG) to inform epilepsy surgery depends on where iEEG electrodes are implanted. This decision is informed by noninvasive recording modalities such as scalp EEG. Herein we propose a framework to interrogate scalp EEG and determine epilepsy lateralization to aid in electrode implantation. METHODS: We use eLORETA to map source activities from seizure epochs recorded from scalp EEG and consider 15 regions of interest (ROIs). Functional networks are then constructed using the phase-locking value and studied using a mathematical model. By removing different ROIs from the network and simulating their impact on the network's ability to generate seizures in silico, the framework provides predictions of epilepsy lateralization. We consider 15 individuals from the EPILEPSIAE database and study a total of 62 seizures. Results were assessed by taking into account actual intracranial implantations and surgical outcome. RESULTS: The framework provided potentially useful information regarding epilepsy lateralization in 12 out of the 15 individuals (p=0.02, binomial test). CONCLUSIONS: Our results show promise for the use of this framework to better interrogate scalp EEG to determine epilepsy lateralization. SIGNIFICANCE: The framework may aid clinicians in the decision process to define where to implant electrodes for intracranial monitoring.
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 | 0,001 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 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 ».