High-resolution virtual brain modeling personalizes deep brain stimulation for treatment-resistant depression: Spatiotemporal response characteristics following stimulation of neural fiber pathways
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Over the past 15 years, deep brain stimulation (DBS) has been actively investigated as a groundbreaking therapy for patients with treatment-resistant depression (TRD); nevertheless, outcomes have varied from patient to patient, with an average response rate of ∼50%. The engagement of specific fiber tracts at the stimulation site has been hypothesized to be an important factor in determining outcomes, however, the resulting individual network effects at the whole-brain scale remain largely unknown. Here we provide a computational framework that can explore each individual's brain response characteristics elicited by selective stimulation of fiber tracts. We use a novel personalized in-silico approach, the Virtual Big Brain, which makes use of high-resolution virtual brain models at a mm-scale and explicitly reconstructs more than 100,000 fiber tracts for each individual. Each fiber tract is active and can be selectively stimulated. Simulation results demonstrate distinct stimulus-induced event-related potentials as a function of stimulation location, parametrized by the contact positions of the electrodes implanted in each patient, even though validation against empirical patient data reveals some limitations (i.e., the need for individual parameter adjustment, and differential accuracy across stimulation locations). This study provides evidence for the capacity of personalized high-resolution virtual brain models to investigate individual network effects in DBS for patients with TRD and opens up novel avenues in the personalized optimization of brain 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.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 découle