Somatosensory evoked fields predict response to vagus nerve stimulation
Notice bibliographique
Résumé
There is an unmet need to develop robust predictive algorithms to preoperatively identify pediatric epilepsy patients who will respond to vagus nerve stimulation (VNS). Given the similarity in the neural circuitry between vagus and median nerve afferent projections to the primary somatosensory cortex, the current study hypothesized that median nerve somatosensory evoked field(s) (SEFs) could be used to predict seizure response to VNS. Retrospective data from forty-eight pediatric patients who underwent VNS at two different institutions were used in this study. Thirty-six patients ("Discovery Cohort") underwent preoperative electrical median nerve stimulation during magnetoencephalography (MEG) recordings and 12 patients ("Validation Cohort") underwent preoperative pneumatic stimulation during MEG. SEFs and their spatial deviation, waveform amplitude and latency, and event-related connectivity were calculated for all patients. A support vector machine (SVM) classifier was trained on the Discovery Cohort to differentiate responders from non-responders based on these input features and tested on the Validation Cohort by comparing the model-predicted response to VNS to the known response. We found that responders to VNS had significantly more widespread SEF localization and greater functional connectivity within limbic and sensorimotor networks in response to median nerve stimulation. No difference in SEF amplitude or latencies was observed between the two cohorts. The SVM classifier demonstrated 88.9% accuracy (0.93 area under the receiver operator characteristics curve) on cross-validation, which decreased to 67% in the Validation cohort. By leveraging overlapping neural circuitry, we found that median nerve SEF characteristics and functional connectivity could identify responders to VNS.
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 | 0,008 |
| 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 | 0,001 |
| 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 ».