| Summary: | L'épilepsie est l'un des troubles neurologiques les plus fréquents. Un tiers des patients épileptiques est résistant à tous traitements médicamenteux et peut ainsi être candidat à la chirurgie. Différentes stratégies de traitement peuvent être testées informatiquement utilisant un modèle personnalisé du cerveau à large-échelle, fournissant des outils in silico pour tester les hypothèses cliniques et réaliser des chirurgies virtuelles. Les crises électrographiques peuvent être classifiées en utilisant les connaissances provenant de la théorie des systèmes dynamiques dans une taxonomie de seize classes de crises possible. Dans ce projet de thèse, nous avons construit un modèle pouvant produire une activité de décharges pour la plupart des classes de la taxonomie, pour pouvoir utiliser le type de crise du patient spécifique dans le modèle à large-échelle. Nous avons validé la taxonomie des crises basée sur la dynamique en utilisant les données provenant d'une large cohorte de patients. Les résultats sont consistent avec le cadre théorique inspiré par notre modèle, que nous avons appelé Epidynamics; en particulier, le résultat le plus surprenant est que la plupart des patients appartient à plus d'une classe de crises contrairement à ce que l'on nous enseigne en clinique, et que les transitions entre les classes peuvent se produire pendant une seule crise. Le cadre Epidynamics souligne le rôle des procédés agissant sur au moins trois échelles de temps différentes dans la génération, l'évolution et la fin d'une crise. Nous avons réalisé une exploration initiale de l'impact d'une classe sur le recrutement, c'est-à-dire l'élément clé déterminant la propagation d'une crise. === Epilepsy is one of the most common neurological disorders. Around one third of epileptic patients are drug resistant and these patients may be candidates for surgery. Different treatment strategies can be tested computationally using personalized large-scale brain models, providing in silico tools for testing clinical hypothesis and performing virtual surgeries. Electrographic seizures can be classified using knowledge from dynamical system theory in a taxonomy of sixteen possible seizure classes. In this Ph.D. project we created a single model able to produce bursting activity for most of the classes of the taxonomy, with the aim of further personalizing the large-scale brain model using the patient specific class. We validated the taxonomy based on dynamics on a large cohort of human data. Results are consistent with the theoretical framework inspired by our model, which we called Epidynamics, in particular the most surprising finding is that most patients have more than one class of seizures contrary to standard clinic teachings, and that transitions between classes can occur during a single seizure. The Epidynamics framework highlights the role of processes acting on at least three different timescales in the generation, evolution and termination of a seizure. We performed an initial exploration of the impact of the class on recruitment, that is a key feature determining seizure propagation.
|
|---|
