Stratification of surgical outcomes in trigeminal neuralgia using multimodal data
Notice bibliographique
Résumé
Abstract Chronic pain remains a challenge for clinicians, with limited individualized predictive tools that can aid with diagnosis, disease course, or prediction of treatment outcomes. We hypothesized that a comprehensive analysis, encompassing a patient's complete pain-related clinical data, medical history and brain imaging, can identify key contributors linked to surgical outcomes and stratify specific outcome categories for trigeminal neuralgia (TN)—chronic facial pain syndrome. Using supervised and unsupervised machine learning approaches, we analysed data from 102 subjects with classical TN. Pre-surgical clinical data were processed through unsupervised learning to delineate key clinical contributors of TN outcome stratification and their correlation with surgical response. Concurrently, we applied supervised learning to pre-surgical T1-weighted brain magnetic resonance imaging. Clinical data analysis uncovered pain and non-pain-related measures—including pain frequency, degree of medication relief, pain character, presence of diabetes and cancer history—as the most significant in forecasting surgical outcome. Analysis revealed strong correlation of pre-surgical clinical data with surgical response duration (r = 0.5, P < 0.00001). Imaging data analysis used a support vector machine classification model with high recall for subjects who would be either long-term responders or non-responders 0.79 and 0.86 with the area under the receiver operating characteristic curve (AUC) of 0.86 and 0.84, respectively. The average multiclass accuracy in predicting the duration of surgical response categories was 78% (AUC 0.8). Together, these results show that TN surgical outcome categories are distinguishable, and surgical outcome can be stratified based on combined clinical and brain imaging data available prior to surgical treatment. We suggest a novel perspective on different strata of chronic pain disorders, each with structural imaging, clinical correlates and specific 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) | 0,000 | 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 | 0,001 | 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 ».