P.098 Usefulness of language mapping during cortical stimulation for presurgical planning in Stereo-encephalograph
Notice bibliographique
Résumé
Background: Background: Language determination is a pivotal part of presurgical investigations. Presurgical cortical stimulation (CS) with language mapping (LM) in patients with intracranial recordings (SEEG) is a growing practice in some Comprehensive Epilepsy Centers. Methods: Methods: This retrospective, single center study included patients implanted with SEEG that underwent CS for LM in our Epilepsy Monitoring Unit. We describe frequencies, demographic characteristics of these patients and whether or not CS with LM was useful. Results: Results: From January 2015 to June2021, a total of 177 patients were implanted with SEEG and analyzed. 95 patients had CS and 44 of these had CS with LM. The mean age was 33 (ranging from 15-70). During LM, anomia was induced in 26 (58%), speech arrest in 22 (49%), paraphasic errors in 13 (29%), and hesitation in 9 (20%). LM results were recorded as influencing surgical decision in 7 (16%) patients, 4 (9%) did not undergo surgery due to expected language deficits and 3 (7%) proceeded with surgery due to an acceptable risk of language deficit. Conclusions: Conclusions: Cortical stimulation language mapping is useful for decision-making in presurgical evaluation and should be encouraged whenever involvement of language is suspected when determining the epileptogenic zone.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».