Correcting for physiological ripples improves epileptic focus identification and outcome prediction
Notice bibliographique
Résumé
OBJECTIVE: The integration of high-frequency oscillations (HFOs; ripples [80-250 Hz], fast ripples [250-500 Hz]) in epilepsy evaluation is hampered by physiological HFOs, which cannot be reliably differentiated from pathological HFOs. We evaluated whether defining abnormal HFO rates by statistical comparison to region-specific physiological HFO rates observed in the healthy brain improves identification of the epileptic focus and surgical outcome prediction. METHODS: We detected HFOs in 151 consecutive patients who underwent stereo-electroencephalography and subsequent resective epilepsy surgery at two tertiary epilepsy centers. We compared how HFOs identified the resection cavity and predicted seizure-free outcome using two thresholds from the literature (HFO rate > 1/min; 50% of the total number of a patient's HFOs) and three thresholds based on normative rates from the Montreal Neurological Institute Open iEEG Atlas (https://mni-open-ieegatlas. RESEARCH: mcgill.ca/): global Atlas threshold, regional Atlas threshold, and regional + 10% threshold after regional Atlas correction. RESULTS: Using ripples, the regional + 10% threshold performed best for focus identification (77.3% accuracy, 27% sensitivity, 97.1% specificity, 80.6% positive predictive value [PPV], 78.2% negative predictive value [NPV]) and outcome prediction (69.5% accuracy, 58.6% sensitivity, 76.3% specificity, 60.7% PPV, 74.7% NPV). This was an improvement for focus identification (+1.1% accuracy, +17.0% PPV; p < .001) and outcome prediction (+12.0% sensitivity, +1.0% PPV; p = .05) compared to the 50% threshold. The improvement was particularly marked for foci in cortex, where physiological ripples are frequent (outcome: +35.3% sensitivity, +5.3% PPV; p = .014). In these cases, the regional + 10% threshold outperformed fast ripple rate > 1/min (+3.6% accuracy, +26.5% sensitivity, +21.6% PPV; p < .001) and seizure onset zone (+13.5% accuracy, +29.4% sensitivity, +17.0% PPV; p < .05-.01) for outcome prediction. Normalization did not improve the performance of fast ripples. SIGNIFICANCE: Defining abnormal HFO rates by statistical comparison to rates in healthy tissue overcomes an important weakness in the clinical use of ripples. It improves focus identification and outcome prediction compared to standard HFO measures, increasing their clinical applicability.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».