Mapping Interictal activity in epilepsy using a hidden Markov model: A magnetoencephalography study
Notice bibliographique
Résumé
Epilepsy is a highly heterogeneous neurological disorder with variable etiology, manifestation, and response to treatment. It is imperative that new models of epileptiform brain activity account for this variability, to identify individual needs and allow clinicians to curate personalized care. Here, we use a hidden Markov model (HMM) to create a unique statistical model of interictal brain activity for 10 pediatric patients. We use magnetoencephalography (MEG) data acquired as part of standard clinical care for patients at the Children's Hospital of Philadelphia. These data are routinely analyzed using excess kurtosis mapping (EKM); however, as cases become more complex (extreme multifocal and/or polymorphic activity), they become harder to interpret with EKM. We assessed the performance of the HMM against EKM for three patient groups, with increasingly complicated presentation. The difference in localization of epileptogenic foci for the two methods was 7 ± 2 mm (mean ± SD over all 10 patients); and 94% ± 13% of EKM temporal markers were matched by an HMM state visit. The HMM localizes epileptogenic areas (in agreement with EKM) and provides additional information about the relationship between those areas. A key advantage over current methods is that the HMM is a data-driven model, so the output is tuned to each individual. Finally, the model output is intuitive, allowing a user (clinician) to review the result and manually select the HMM epileptiform state, offering multiple advantages over previous methods and allowing for broader implementation of MEG epileptiform analysis in surgical decision-making for patients with intractable epilepsy.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».