Neurológia

Klinikum

2024. JANUÁR 30.

Az iscalimab hatékonysága myasthenia gravis kezelésében

A myasthenia gravis (MR) egy ritka autoimmun betegség, mely a neuromuscularis ingerületátvitelt gátolja. A betegség a világon több mint 700000 embert érint. A generalizált MG-s betegek körülbelül 80-90%-ában kimutatható a posztszinaptikus nikotinos acetilkolin-receptort (AChR) gátló autoantitest, míg további 5–8%-ban MuSK-autoantitest vagy ritkábban, LRP4-autoantitest mutatható ki.

HUN

Ideggyógyászati Szemle

2024. JANUÁR 30.

[A hosszú távú prognózist befolyásoló tényezők pszichogén nem epilepsziás rohamokkal küzdő felnőtt betegeknél]

MELIHA TURKSEVER, BABURHAN GULDIKEN, HULYA OZKAN, MERVE Melodi CAKAR

[Azon epilepsziás betegek közül, akiknek megfigyelését video-elektroencefalográfiás monitorozás (VEM) technikával végzik, egyes betegeknél definitív diagnózisként pszichogén nem epilepsziás roham (PNES) azonosítható. Ezen betegek esetében a hosszú távú prognózis nem ismert eléggé. Jelen tanulmány célja a PNES prognózisát meghatározó tényezők azonosítása.]

ENG 2024;77(1-2)

Ideggyógyászati Szemle

2024. JANUÁR 30.

[Migrénes betegek periaqueductalis szürkeállományának MRI radiomikai alapú gépitanulás-modellje]

MESE Ismail , KARACI Rahsan , ALTINTAS TASLICAY Ceylan , TASLICAY Cengizhan , AKANSEL Gur , DOMAC Fusun Saime

[A tanulmány célja a következő kérdés vizsgálata volt: A periaqueductalis szürke régió MRI radiomikai elemzése ké­pes-e megvilágítani a különböző migrén­al­típusok hátterében álló patofiziológiai me­cha­nizmusokat, és képes-e az ezeket a radiomikai jellemzőket használó gépi tanulási modell a migrénes betegek és az egészséges egyének pontos megkülönböztetésére, valamint a migrén altípusait, beleértve az átfedő tünetekkel járó atipikus eseteket is?

A vizsgálatban a betegek első migréndiagnózisa után készült kezdeti MRI-felvételeket elemeztük, és további MRI-fel­vé­teleket szereztünk be egészséges ala­nyok­ról. Radiomikai modellezést alkal­­maz­­tunk a pe­ri­aqueductalis szürke ré­­gió összes MRI-felvételének elemzésé­re. Az adathalmazt randomizáltuk, és túl­min­ta­vételt alkalmaztunk, ha a csoportok kö­zött osztály-kiegyen­súlyozat­lan­ság állt fenn. Az op­timális algoritmuson alapuló jel­lem­ző­ki­­választási módszert alkalmaztuk a két cso­port megkülönböztetésére szolgáló leg­­fontosabb 5-10 jellemző kiválasztására. A mes­terséges intelligencia algoritmusok osztályozási teljesítményét a receiver operating characteristic (ROC) vevő működési karakterisztika analízis segítségével értékeltük a görbe alatti terület, az osz­tályozási pontosság, a szenzitivitás és a specificitás értékeinek kiszámításához. 
A résztvevőknek rendelkezniük kellett az epizodikus migrén, a valószínűsíthető migrén vagy a krónikus migrén igazolt diagnózisával. A vizsgálatból kizártuk az aurás betegeket, azokat, akik az elmúlt hat hónapban migrénmegelőző gyógyszert szedtek, vagy krónikus betegségben, pszichiátriai rendellenességben, cerebrovascularis betegségben, da­­ga­­natos betegségben vagy más típusú fej­fá­jás­ban szenvedtek. Emellett 102 egész­­séges személyt vontunk be a vizsgálatba, akik megfeleltek a beválasztási és kizárási krité­­riumoknak.

Az algoritmusalapú információnyerési módszer a jellemzők csökkentésére nyújtotta az összes módszer közül a leg­jobb teljesítményt, az elsőrendű, a szürke szintű méretzóna mátrix és a szürke szintű együttes mátrix osztályok voltak a domináns jellemzőosztályok. A gépi tanulási modell helyesen különítette el a migrénes betegek 82,4%-át az egészséges alanyoktól. A mig­rénes csoporton belül az epizodikus mig­rénes – valószínű migrénes betegek 74,1%-át és a krónikus migrénes betegek 90,5%-át sikerült pontosan osztályozni. A va­ló­színű migrénes és az epizodikus mig­rénes betegek között nem találtunk szig­nifikáns különbséget a pe­riaqueductalis szürke régió radiomikai jellemzői tekintetében. A kNN algoritmus mutatta a legjobb teljesítményt az epizodikus migrén – valószínű migrén altípusok meghatározásában, míg a Random Forest algoritmus mutatta a legjobb teljesítményt a migréncsoport és a krónikus migrén altípus meghatározásában.

A migrénes betegek diagnózisa és nyomon követése során nyert standard MR-felvételeket felhasználó radiomikai alapú gépi tanulási modell ígéretesnek bi­zonyul nemcsak a klinikai megközelítés számára a migrén diagnózisának és osztályozásának segítésében, hanem a migrén hátterében álló neurológiai mechanizmusok megértésében is.]

ENG 2024;77(1-2)

VIDEO

2024. JANUÁR 22.

VIDEO

2024. JANUÁR 22.

VIDEO

2024. JANUÁR 22.

hirdetés