Development of a Seizure Matching System for Clinical Decision Making in Epilepsy Surgery
Notice bibliographique
Résumé
Abstract Background and Objectives The proportion of patients becoming seizure-free after epilepsy surgery has stagnated. Large multi-center stereo-electroencephalography datasets can potentially allow comparing a new patient to past similar cases and make clinical decisions with the knowledge of how similar cases were treated in the past. However, the complexity of these evaluations makes the manual search for similar patients in a large database impractical. We aim to develop an automated system that electrographically and anatomically matches seizures from a patient to those in a database. In addition, since we do not know what features define seizure similarity, particularly considering the various stereo-electroencephalography implantation schemes, we evaluate the agreement and features among experts in classifying seizure similarity. Methods We utilized SEEG seizures from consecutive patients who underwent stereo-electroencephalography for epilepsy surgery. Eight international experts evaluated seizure-pair similarity using a four-level similarity score through a graphical user interface. As our primary outcome, we developed and validated an automated seizure matching system by employing a leave-one-expert-out approach. Secondary outcomes included the inter-rater agreement and features for classifying seizure similarity. Results 320 SEEG seizures from 95 patients were utilized. The seizure matching system achieved an area-under-the-curve of 0.82 (95% CI, 0.819-0.822), indicating its feasibility. Six distinct seizure similarity features were identified and proved effective: onset region, onset pattern, propagation region, duration, extent of spread, and propagation speed. Among these features, the onset region showed the strongest correlation with expert scores (Spearman’s rho=0.75, p <0.001). Additionally, the moderate inter-rater agreement confirmed the practicality of our approach: for the four-level classification, median agreement was 73.9% (interquartile range, 7%), and beyond-chance Gwet’s kappa was 0.45 (0.16); for the binary classification of similar vs. not related, agreement stood at 71.9% (4.7%) with a kappa of 0.46 (0.13). Discussion We demonstrate the feasibility and validity of a stereo-electroencephalography seizure matching system across patients, effectively mirroring the expertise of epileptologists. This novel system can identify patients with seizures similar to that of a patient being evaluated, thus optimizing the treatment plan by considering the treatment and the results of treating similar patients in the past, potentially resulting in an improved surgery outcome.
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 | 0,008 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».