F.3 fMRI-based deep brain stimulation programming: a blinded, crossover clinical trial
Notice bibliographique
Résumé
Background: Deep brain stimulation (DBS) in Parkinson’s disease (PD) requires extensive trial-and-error programming, often taking over a year to optimize. An objective, rapid biomarker of stimulation success is needed. Our team developed a functional magnetic resonance imaging (fMRI)-based algorithm to identify optimal DBS settings. This study prospectively compared fMRI-guided programming with standard-of-care (SoC) clinical programming in a double-blind, crossover, non-inferiority trial. Methods: Twenty-two PD-DBS patients were prospectively enrolled for fMRI using a 30-sec DBS-ON/OFF cycling paradigm. Optimal settings were identified using our published classification algorithm. Subjects then underwent >1 year of SoC programming. Clinical improvement was assessed under SoC and fMRI-determined stimulation conditions. Results: fMRI optimization significantly reduced the time required to determine optimal settings (1.6 vs. 5.6 months, p<0.001). Unified Parkinson’s Disease Rating Scale (UPDRSIII) improved comparably with both approaches (23.8 vs. 23.6, p=0.9). Non-inferiority was demonstrated within a predefined margin of 5 points (p=0.0018). SoC led to greater tremor improvement (p=0.019), while fMRI showed greater bradykinesia improvement (p=0.040). Conclusions: This is the first prospective evaluation of an algorithm able to suggest stimulation parameters solely from the fMRI response to stimulation. It suggests that fMRI-based programming may achieve equivalent outcomes in less time than SoC, reducing patient burden while potentially enhancing bradykinesia response.
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».