Enhanced pre-surgical evaluation in drug-resistant epilepsy using machine/deep learning models

Project name in Czech
Modely strojového a hlubokého učení pro zlepšení pre-operativní evaluace farmakorezistentní epilepsie
Annotation in Czech
Farmakorezistentní epilepsie se vyskytuje přibližně u jedné třetiny epilepticky´ch pacientů. Nejlepší šanci na vyléčení či alespoň redukci záchvatů představují pro tyto pacienty resekce epileptogenní tkáně či implantace neurostimulátoru. Metody pro akvizici a zpracování signálu s využitím strojového učení prodělaly v oblasti intrakraniálního EEG dynamicky´ vy´voj se slibny´mi vy´sledky pro lokalizaci epileptogenní tkáně a predikci záchvatů. Přestože je vy´kon dnešních počítačů dostatečny´, implementace těchto metod do klinické péče je pomalá. Projekt má za cíl vyvinout systém pro automatické zpracování vysokofrekvenčního intrakraniálního EEG za účelem lokalizace tkáně generující záchvaty, predikce záchvatů a predikce úspěšnosti chirurgické operace. To zahrnuje akvizici dlouhodoby´ch záznamů, extrakci příznaků ze signálu včetně použití metod strojového učení a deep learningu a vizualizaci vy´sledků pro zdravotnicky´ personál. Vy´stupem projektu budou softwarové nástroje pro rychlou a přesnou lokalizaci epilepticky´ch ložisek a predikci záchvatů, což může vy´znamně snížit náklady na léčbu, zvy´šit její bezpečnost a zlepšit život pacientů.

R&D category
AP - Applied research
OECD FORD - main branch
30210 - Clinical neurology
OECD FORD - secondary branch
—
OECD FORD - another secondary branch
—
CEP - equivalent branches <br>(according to the <a href="http://www.vyzkum.cz/storage/att/E6EF7938F0E854BAE520AC119FB22E8D/Prevodnik_oboru_Frascati.pdf">converter</a>)
FH - Neurology, neuro-surgery, nuero-sciences

Provider evaluation
V - Vynikající výsledky projektu (s mezinárodním významem atd.)
Project results evaluation
The project represents a significant methodological advance in the field of automated localization of epileptogenic zones through advanced analysis of iEEG data using machine learning methods. The information presented by the principal investigator is adequate and supported by publications in prestigious journals. The project implemented a complete workflow, from primary data processing to the final interpretation of results. The project outputs, consisting of ten publications in journals with impact factor and functional software modules, are of high standard. No significant financial irregularities were identified, and year-over-year minor fluctuations in funding utilization were appropriately justified.

Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data delivery code
CEP26-MZ0-NU-U
Data delivery date
Jul 13, 2026

Similar projects(10)