Preoperative Heart Rate Variability During Sleep Predicts Vagus Nerve Stimulation Outcome Better in Patients With Drug-Resistant Epilepsy
Notice bibliographique
Résumé
Objective: Vagus nerve stimulation (VNS) is an adjunctive and well-established treatment for patients with drug-resistant epilepsy (DRE). However, it is still difficult to identify patients who may benefit from VNS surgery. Our study aims to propose a VNS outcome prediction model based on machine learning with multidimensional preoperative heart rate variability (HRV) indices. Methods: The preoperative electrocardiography (ECG) of 59 patients with DRE and of 50 healthy controls were analyzed. Responders were defined as having at least 50% average monthly seizure frequency reduction at 1-year follow-up. Time domain, frequency domain, and non-linear indices of HRV were compared between 30 responders and 29 non-responders in awake and sleep states, respectively. For feature selection, univariate filter and recursive feature elimination (RFE) algorithms were performed to assess the importance of different HRV indices to VNS outcome prediction and improve the classification performance. Random forest (RF) was used to train the classifier, and leave-one-out (LOO) cross-validation was performed to evaluate the prediction model. Results: Among 52 HRV indices, 49 showed significant differences between DRE patients and healthy controls. In sleep state, 35 HRV indices of responders were significantly higher than those of non-responders, while 16 of them showed the same differences in awake state. Low-frequency power (LF) ranked first in the importance ranking results by univariate filter and RFE methods, respectively. With HRV indices in sleep state, our model achieved 74.6% accuracy, 80% precision, 70.6% recall, and 75% F1 for VNS outcome prediction, which was better than the optimal performance in awake state (65.3% accuracy, 66.4% precision, 70.5% recall, and 68.4% F1). Significance: With the ECG during sleep state and machine learning techniques, the statistical model based on preoperative HRV could achieve a better performance of VNS outcome prediction and, therefore, help patients who are not suitable for VNS to avoid the high cost of surgery and possible risks of long-term stimulation.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».