Estimated Disease Progression Trajectory of White Matter Disruption in Unilateral Temporal Lobe Epilepsy: A Data-Driven Machine Learning Approach
Notice bibliographique
Résumé
Background/Objectives: Although the involvement of progressive brain alterations in epilepsy was recently suggested, individual patients’ trajectories of white matter (WM) disruption are not known. Methods: We investigated the disease progression patterns of WM damage and its associations with clinical metrics. We examined the cross-sectional diffusion tensor imaging (DTI) data of 155 patients with unilateral temporal lobe epilepsy (TLE) and 270 age/gender-matched healthy controls, and we then calculated the average fractional anisotropy (FA) values within 20 WM tracts of the whole brain. We used the Subtype and Stage Inference (SuStaIn) program to detect the progression trajectory of FA changes and investigated its association with clinical parameters including onset age, disease duration, drug-responsiveness, and the number of anti-seizure medications (ASMs). Results: The SuStaIn algorithm identified a single subtype model in which the initial damage occurs in the ipsilateral uncinate fasciculus (UF), followed by damage in the forceps, superior longitudinal fasciculus (SLF), and anterior thalamic radiation (ATR). This pattern was replicated when analyzing TLE with hippocampal sclerosis (n = 50) and TLE with no lesions (n = 105) separately. Further-progressed stages were associated with longer disease duration (p < 0.001) and a greater number of ASMs (p = 0.001). Conclusions: the disease progression model based on WM tracts may be useful as a novel individual-level biomarker.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».