Regional brain morphology predicts pain relief in trigeminal neuralgia
Notice bibliographique
Résumé
BACKGROUND: Trigeminal neuralgia, a severe chronic neuropathic pain disorder, is widely believed to be amenable to surgical treatments. Nearly 20% of patients, however, do not have adequate pain relief after surgery. Objective tools for personalized pre-treatment prognostication of pain relief following surgical interventions can minimize unnecessary surgeries and thus are of substantial benefit for patients and clinicians. PURPOSE: To determine if pre-treatment regional brain morphology-based machine learning models can prognosticate 1 year response to Gamma Knife radiosurgery for trigeminal neuralgia. METHODS: We used a data-driven approach that combined retrospective structural neuroimaging data and support vector machine-based machine learning to produce robust multivariate prediction models of pain relief following Gamma Knife radiosurgery for trigeminal neuralgia. Surgical response was defined as ≥ 75% pain relief 1 year post-treatment. We created two prediction models using pre-treatment regional brain gray matter morphology (cortical thickness or surface area) to distinguish responders from non-responders to radiosurgery. Feature selection was performed through sequential backwards selection algorithm. Model out-of-sample generalizability was estimated via stratified 10-fold cross-validation procedure and permutation testing. RESULTS: In 51 trigeminal neuralgia patients (35 responders, 16 non-responders), machine learning models based on pre-treatment regional brain gray matter morphology (14 regional surface areas or 13 regional cortical thicknesses) provided robust a priori prediction of surgical response. Cross-validation revealed the regional surface area model was 96.7% accurate, 100.0% sensitive, and 89.1% specific while the regional cortical thickness model was 90.5% accurate, 93.5% sensitive, and 83.7% specific. Permutation testing revealed that both models performed beyond pure chance (p < 0.001). The best predictor for regional surface area model and regional cortical thickness model was contralateral superior frontal gyrus and contralateral isthmus cingulate gyrus, respectively. CONCLUSIONS: Our findings support the use of machine learning techniques in subsequent investigations of chronic neuropathic pain. Furthermore, our multivariate framework provides foundation for future development of generalizable, artificial intelligence-driven tools for chronic neuropathic pain treatments.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».