NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Giriş: Parkinson hastalığı (PD) olan hastalarda subtalamik çekirdek (STN) derin beyin stimülasyonu (DBS) tedavisinin optimal klinik sonucu için hassas kurşun lokalizasyonu çok önemlidir. Şu anda, anatomik önlemlerin yanı sıra invazif intraoperatif elektrofizyolojik kayıtlar, DBS elektrotlarının yerini belirlemek için kullanılır. Bu çalışmanın amacı STN DBS kurşun lokalizasyonu için alternatif bir elektrofizyoloji aracı bulmaktı. Yöntemler: PD'li 17 DBS ile tedavi edilen hastalardan altmış bir postoperatif elektrofizyoloji kayıt seansı elde edildi. İntraoperatif fizyolojik bir yöntem STN sınırlarını ve alt bölgelerini otomatik olarak tespit etti. Postoperatif EEG kortikal aktivitesi ölçülürken, STN içinde ve dışında farklı alanlara STN düşük frekanslı stimülasyon (LFS) uygulandı. Makine öğrenme modelleri, mühendislik özelliklerinin EEG analizine dayanarak uyarım yerlerini ayırt etmek için kullanıldı. Sonuçlar: Bir makine öğrenme algoritması, STN uyarım konumlarının yanı sıra STN uyarım konumlarının içinde ve dışında ayırt edebilen en iyi 25 uyarılmış yanıt potansiyelini (ERP'ler) belirledi. Medial ve ipsilateral fronto-ortasal alanlardaki evoked yanıtların STN uyarımının yerini tahmin etmek için en önemli olduğu bulunmuştur. İki sınıf doğrusal destek vektör makinesi (SVM) iç (dorso-lateral bölge, DLR ve ventro-medial bölge, VMR) vs. dış [zona incerta, ZI, STN stimülasyon sınıflandırması ile 0,98 ve 0,82 doğrulukla ZI vs. VMR ve ZI vs. DLR, sırasıyla, ve iç STN için 0.77 doğruluk (DLR vs. VMR). Multiclass lineer SVM, tüm alanları dış ve STN stimülasyon yerleri (ZI vs.) için 0.82 doğrulukla tahmin etti. DLR vs. VMR). Sonuç: Elektroensefalogram biyobelirteçleri, STN DBS elektrotlarını ZI, DLR ve VMR STN alt bölgelerine lokalize etmek için düşük frekanslı STN uyarımını kullanabilir. Bu modeller hem intraoperatif elektrot lokalizasyonu hem de postoperatif stimülasyon programlama seansları için kullanılabilir ve STN DBS klinik sonuçlarını iyileştirme potansiyeline sahiptir.
Özgün kaynak özetini okuyun
Introduction: Precise lead localization is crucial for an optimal clinical outcome of subthalamic nucleus (STN) deep brain stimulation (DBS) treatment in patients with Parkinson's disease (PD). Currently, anatomical measures, as well as invasive intraoperative electrophysiological recordings, are used to locate DBS electrodes. The objective of this study was to find an alternative electrophysiology tool for STN DBS lead localization. Methods: Sixty-one postoperative electrophysiology recording sessions were obtained from 17 DBS-treated patients with PD. An intraoperative physiological method automatically detected STN borders and subregions. Postoperative EEG cortical activity was measured, while STN low frequency stimulation (LFS) was applied to different areas inside and outside the STN. Machine learning models were used to differentiate stimulation locations, based on EEG analysis of engineered features. Results: A machine learning algorithm identified the top 25 evoked response potentials (ERPs), engineered features that can differentiate inside and outside STN stimulation locations as well as within STN stimulation locations. Evoked responses in the medial and ipsilateral fronto-central areas were found to be most significant for predicting the location of STN stimulation. Two-class linear support vector machine (SVM) predicted the inside (dorso-lateral region, DLR, and ventro-medial region, VMR) vs. outside [zona incerta, ZI, STN stimulation classification with an accuracy of 0.98 and 0.82 for ZI vs. VMR and ZI vs. DLR, respectively, and an accuracy of 0.77 for the within STN (DLR vs. VMR)]. Multiclass linear SVM predicted all areas with an accuracy of 0.82 for the outside and within STN stimulation locations (ZI vs. DLR vs. VMR). Conclusions: Electroencephalogram biomarkers can use low-frequency STN stimulation to localize STN DBS electrodes to ZI, DLR, and VMR STN subregions. These models can be used for both intraoperative electrode localization and postoperative stimulation programming sessions, and have a potential to improve STN DBS clinical outcomes.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.