Development of a stereo-EEG based seizure matching system for clinical decision making in epilepsy surgery
Notice bibliographique
Résumé
Abstract Objective. The proportion of patients becoming seizure-free after epilepsy surgery has stagnated. Large multi-center stereo-electroencephalography (SEEG) datasets can allow comparing new patients to past similar cases and making clinical decisions with the knowledge of how cases were treated in the past. However, the complexity of these evaluations makes the manual search for similar patients impractical. We aim to develop an automated system that electrographically and anatomically matches seizures to those in a database. Additionally, since features that define seizure similarity are unknown, we evaluate the agreement and features among experts in classifying similarity. Approach. We utilized 320 SEEG seizures from 95 consecutive patients who underwent epilepsy surgery. Eight international experts evaluated seizure-pair similarity using a four-level similarity score. As our primary outcome, we developed and validated an automated seizure matching system by employing patient data marked by independent experts. Secondary outcomes included the inter-rater agreement (IRA) and features for classifying seizure similarity. Main results. The seizure matching system achieved a median area-under-the-curve of 0.76 (interquartile range, 0.1), 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 IRA confirmed the practicality of our approach with an agreement of 73.9% (7%), and Gwet’s kappa of 0.45 (0.16). Further, the interoperability of the system was validated on seizures from five centers. Significance. We demonstrated the feasibility and validity of a SEEG 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 results of treating similar patients in the past, potentially improving 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 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) | 0,000 | 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 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 ».