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 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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
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 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 ».