Detection of epileptogenic zones in people with epilepsy using optimized EEG-fMRI
Notice bibliographique
Résumé
PURPOSE: Concurrent electroencephalography (EEG) and functional magnetic resonance imaging (fMRI) have been used to assist in the presurgical localization of seizure foci in people with epilepsy. Our study aimed to examine the clinical feasibility of an optimized concurrent EEG-fMRI protocol. METHODS: The optimized protocol employed a fast-fMRI sequence (sampling rate = 10 Hz) with a spare arrangement, which allowed a time window of 1.9 s for EEG recording without radio frequency noise. Patients with a diagnosis of drug-resistant epilepsy who were candidates for surgical intervention were enrolled and underwent concurrent EEG-fMRI studies to map fMRI blood oxygen level-dependent (BOLD) signal changes related to interictal epileptiform discharges. The BOLD signals were compared to those in the epileptogenic zone determined by resective cavities or radiofrequency thermocoagulation lesions. Postoperative seizure outcomes were classified according to the ILAE classification. RESULTS: The EEG-related BOLD results indicated that 15 of the 19 patients (78.9 %) had concordant findings in the epileptogenic zone determined by surgical intervention. The percentage of patients who achieved good surgical outcomes was significantly greater in the concordant group than in the discordant group (n = 9, 60.0 % vs. n = 0, 0 %, p = 0.033). CONCLUSIONS: Using fast MRI scan, the optimized protocol provides satisfactory accuracy (78.9 %) for detecting epileptogenic zones. A concordant BOLD signal and epileptogenic zone can predict good surgical outcomes.
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 | 0,000 | 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 | 0,000 | 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 ».