XiaoMi-AI文件搜索系统
World File Search Systemintracranial
6-OHDA 半侧帕金森病大鼠模型中强迫和自发运动期间双侧颅内 β 活动
皮质基底神经节 β 振荡 (13-30 Hz) 被认为与帕金森病 (PD) 的运动障碍有关，尤其是运动迟缓和僵硬。多项研究已利用单侧 6-羟基多巴胺 (6-OHDA) 大鼠 PD 模型进一步研究 PD 和测试新疗法。然而，文献中尚未记录该模型的详细行为和电生理学表征，包括对 DBS 等流行 PD 疗法的分析。因此，我们通过一系列实验 (即圆柱体测试、旷场测试和转棒测试) 对 6-OHDA 大鼠半 PD 模型进行挑战，旨在评估运动障碍、分析深部脑刺激 (DBS) 的影响以及确定在哪些条件下会发生过度 β 振荡。我们发现，与假手术组相比，6-OHDA 半 PD 大鼠在所有实验中的表现均有所下降，而 DBS 可以提高它们的整体表现。在所有实验和行为中，高β波段的功率被观察到是 PD 的重要生物标志物，因为它显示了健康半球和受损半球之间以及 6-OHDA 受损大鼠和假手术大鼠之间的差异。这一切都表明，6-OHDA 半 PD 模型准确地代表了 PD 的许多运动和电生理症状，并且在分别考虑低β（13-21 Hz）和高β（21-30 Hz）频带时，使其成为新疗法临床前测试的有用工具。
首次在定制颅骨植入物中集成无线颅内压监测装置的人体试验
背景：减压开颅术是治疗难治性颅内高压的一种救命疗法。对于存活的患者，需要进行第二次颅骨重建手术（颅骨成形术）。颅骨成形术对颅内压 (ICP) 的影响尚不清楚。目的：将最近获得美国食品药品监督管理局批准的完全植入式无创 ICP 传感器集成到定制颅骨植入物 (CCI) 中，用于对颅内高压高风险患者进行术后监测。方法：一名 16 岁女性因颅脑枪伤接受减压开颅术 4 个月后接受颅骨成形术。由于持续性颅疝并伴有硬膜下积液，颅骨成形术后颅内高压值得关注。因此，利用带有集成无线 ICP 传感器的 CCI 进行颅骨重建，并进行无创术后监测。结果：使用无线手持式监测器每天两次获得间歇性 ICP 测量值。仰卧位时 ICP 范围为 2 至 10 mmHg，坐位时 ICP 范围为 -5 至 4 mmHg。有趣的是，坐位和仰卧测量值之间始终存在平均 7 mmHg 的差异。结论：这项首次在人体上使用的经验表明了几项值得注意的发现，包括 (1) 在 CCI 中集成无线 ICP 传感器进行围手术期神经监测的全新安全性和有效性；(2) 尽管术前颅疝严重，但颅骨修补术后 ICP 恢复正常；(3) 颅骨修补术后体位 ICP 适应性恢复。据我们所知，这是第一个展示这些有趣发现的案例，它有可能从根本上改变颅骨重建的范式。
预测使用机器学习模型用流动机处理的颅内动脉瘤的不完全闭塞
客观的颅内囊力瘤是血管畸形，导致80％的非创伤性脑出血。最近，流动分流已被用作侵入性较少的手术治疗替代方案。但是，在25％的病例中，他们在6个月后无法完全闭塞。在这项研究中，作者使用Ma-Chine学习（ML）构建了一种工具，以预测与流动机处理后6个月后6个月后的动脉瘤闭塞结果。包括2011年1月至2017年12月之间在第三纪转介中心接受管道栓塞装置治疗的616名患者中，总共667例动脉瘤。为了构建预测工具，进行了两个实验。在第一个实验中，使用与患者风险因素和动脉瘤形态学特征相关的26个特征，将六种ML算法（支持向量机[SVM]，决策树，随机森林[RF]，K-Nearest邻居，XGBoost和Catboost培训）。在第二个例外情况下，使用Shapley添加说明（SHAP）分析在RF模型上提取的前10个功能进行了训练。结果结果表明，即使使用特征子集（83％的精度），即使在LR模型的SVM模型vs 62％的SVM模型与62％的SVM模型vs 62％的精度相比，SVM模型的准确性为89％（精度为83％）。塑形分析表明，年龄，高血压，吸烟状况，分支血管受累，动脉瘤颈部和较大的直径尺寸是有助于准确预测的最重要特征。在这项研究中得出结论，开发了一种基于ML的工具，该工具成功地预测了经过流动转移治疗的颅内动脉疫苗的结果，从而有助于神经外科医生实践更精致的方法和患者量化的药物。
癫痫患者的颅内脑外对内侧颞叶刺激的预测建模
尽管有希望取得的进步，但耐药性癫痫（DRE）的闭环神经刺激仍然依赖手动调整并产生可变的结果，而自动化的可预测算法仍然是一种吸引力。作为解决这一差距的基本步骤，在这里，我们研究了在参数丰富的神经刺激下人类颅内EEG（IEEG）反应的预测动力学模型。使用来自n = 13例DRE患者的数据，我们发现具有约300毫秒因果历史依赖性的刺激触发的切换线性模型可以最好地解释引起的IEEG动力学。这些模型在不同的刺激幅度和频率中高度一致，从而可以从丰富的刺激下学习可推广的模型，并且对数据有限。此外，几乎所有受试者的IEEG都表现出距离依赖的模式，从而刺激直接影响致动位点和附近地区（≲20mm），会影响中距离区域（20〜100mm）通过网络相互作用，几乎无法达到远端区域（≳100mm）。峰网络相互作用发生在距刺激位点60毫米的60毫米处。由于其预测精度和机械性解释性，这些模型对于基于模型的癫痫发作和闭环神经刺激设计具有巨大的潜力。
使用猪实验模型中的定量脑电图预测创伤性脑损伤的颅内压升高
摘要：在创伤性脑损伤 (TBI) 中，连续无创地测量颅内压 (ICP) 对于识别升高的 ICP (IICP) 非常重要，这可以减少治疗延误。本研究的目的是开发一种基于脑电图 (EEG) 的猪 TBI 模型中的 IICP 预测模型。30 头猪被麻醉，并通过在颅内充气 Foley 导管进行 IICP。每 6 分钟以 10 mmHg 的增量收集一次 ICP 的单通道 EEG 数据，从基线到 50 mmHg。我们开发了基于 EEG 的模型来预测 IICP（等于或超过 25 mmHg），使用四种算法：逻辑回归 (LR)、朴素贝叶斯 (NB)、支持向量机 (SVM) 和随机森林 (RF)。我们根据准确性、灵敏度、特异性和 AUC 值评估了每个模型的性能。各预测模型对IICP的准确率分别为SVM 0.773、NB 0.749、RF 0.746和LR 0.706。各模型的AUC分别为SVM 0.860、NB 0.824、RF 0.802和LR 0.748。我们在猪TBI实验模型中使用单通道EEG信号建立了IICP的机器学习预测模型。SVM模型表现出良好的预测能力，AUC值最高。
无卒中患者颅内、外动脉粥样硬化血管周围间隙及脑CT灌注的临床特点
动脉硬化引起的脑血流(CBF)下降是否与PVS有关目前知之甚少。目前，临床上测定CBF的方法多种多样，最常用的是CT和磁共振成像(MRI)。计算机断层扫描灌注(CTP)因操作方便、成像速度快、成本低、耐受性好而在临床上得到广泛应用。MRI中的动脉自旋标记(ASL)不需要使用造影剂，但白质灌注经常被低估且ASL对受试者的运动高度敏感。血氧水平依赖性功能磁共振成像(BOLD-fMRI)可以通过检测脑内血氧含量间接反映CBF，具有较高的空间和时间分辨率，但常受氧合血红蛋白和神经活动的影响。
多发性颅内海绵状瘤的脑干海绵状瘤治疗：单一机构经验的回顾性分析
临床表现主要分为伴随组的癫痫发作（47.6%）和非伴随组的局灶性神经功能障碍（59.1%）。阿拉伯国家摩洛哥的一项横断面研究介绍了该国 20 年的颅内海绵状瘤治疗经验，研究发现，20-40 岁年龄组的患者更为常见（58%，n=26），其中癫痫发作是最常见的症状（47%；n=21），局灶性神经功能障碍排在第二位（27%；n=12）。18 这些结果与 Kivelev 等人的报告一致，他们报告了 33 例伴随脑干海绵状瘤的患者，结果显示年龄组主要分布和癫痫发作是主要临床表现。12 Santos 等人报告了总共 238 例多发性脑海绵状瘤患者。 39 例（16.4%）患者报告合并脑干海绵状瘤。整个脑病的主要表现是
使用生成的对抗网络将头皮映射到颅内脑电图中，以自动检测中间的癫痫样放电
摘要 - 头皮和颅内脑电图（EEG）对于诊断脑部疾病至关重要。但是，头皮脑电图（seeg）被头骨衰减并被伪像污染。同时，颅内脑电图（IEEG）几乎没有文物，并且可以捕获所有大脑活动，而无需任何衰减，因为靠近大脑。在这项研究中，目的是通过将SEEG映射到IEEG来提高SEEG的性能。为此，我们在这里使用生成的对抗网络开发了一个深神经网络，以估算IEEG的SEEG。所提出的方法适用于Seeg和IEEG，并从癫痫发作中同时记录以检测间隔癫痫样放电（IEDS）。所提出的方法检测IEDS的精度为76％的IED，并以最先进的方法为止。此外，它至少比比较方法少十二倍。
使用扩展的块项张量回归根据颅内脑活动预测手指运动和共同激活
每年，全球有多达 50 万患者因脊髓损伤、脑干中风和肌萎缩侧索硬化症 (ALS) 而陷入瘫痪 [1]。脑机接口 (BCI) 能够绕过断开的神经通路来取代丢失或受损的身体部位的功能，这使得它们被推广为这些患者的解决方案。通常，BCI 系统由几个组件组成：从记录的大脑活动中提取信号特征，并将结果翻译（“解码”）为控制外部设备（如机械臂或手）的命令。BCI 控制手部肌肉的功能性电刺激 (FES) [2, 3] 和假手、外骨骼或其他效应器 [4, 5, 6, 7] 已经取得了非凡的成果。
比较机器学习算法和小儿创伤性脑损伤的术中颅内损伤的可预测性
目的是讨论了头部CT检查的过度使用，尤其是那些因脑部造成轻微创伤的脑损伤（TBI）。在破坏性时代，机器学习（ML）是在神经外科各个领域使用和应用的预测工具之一。这项研究的目的是比较ML和nom图之间的预测性能，这是TBI儿童颅CT后颅内损伤的另一种预测工具。将来自964名TBI儿科患者的方法数据随机分为训练数据集（75％），以进行超疗法调整和来自14个临床参数的监督学习，而其余数据（25％）用于销售目的。此外，从具有相似参数的训练数据集开发了一个nom图。因此，通过基于Web的应用程序构建和部署了来自各种ML算法的模型。结果，随机森林分类器（RFC）算法确立了预测大脑颅内颅内损伤的最佳性能。RFC算法性能的接收器操作特性曲线下的面积为0.80，灵敏度为0.34，特异性为0.95，0.73正预测值，0.80负值预测值和0.79的精度。结论ML算法，尤其是RFC，表明相对出色的预测性能，可以支持医生在过度使用头部CT扫描并降低一般实践中小儿TBI的治疗费用。