Subtypes of Post-Traumatic Epilepsy: Clinical, Electrophysiological, and Imaging Features
Notice bibliographique
Résumé
Post-traumatic epilepsy (PTE) is a consequence of traumatic brain injury (TBI), occurring in 10-25% of patients with moderate to severe injuries. The development of animal models for testing antiepileptogenic therapies and validation of biomarkers to follow epileptogenesis in humans necessitates sophisticated understanding of the subtypes of PTE, which is the objective of this study. In this study, retrospective review was performed of patients with moderate to severe TBI with subsequent development of medically refractory epilepsy referred for video-electroencephalography (EEG) monitoring at a single center over a 10-year period. Information regarding details of injury, neuroimaging studies, seizures, video-EEG, and surgery outcomes were collected and analyzed. There were 123 patients with PTE identified, representing 4.3% of all patients evaluated in the epilepsy monitoring unit. Most of them had localization-related epilepsy, of which 57% had temporal lobe epilepsy (TLE), 35% had frontal lobe epilepsy (FLE), and 3% each had parietal and occipital lobe epilepsy. Of patients with TLE, 44% had mesial temporal sclerosis (MTS), 26% had temporal neocortical lesions, and 30% were nonlesional. There was no difference in age at injury between the different PTE subtypes. Twenty-two patients, 13 of whom had MTS, proceeded to surgical resection. At a mean follow-up of 2.5 years, Engel Class I outcomes were seen in 69% of those with TLE and 33% of those with FLE. Our findings suggest PTE is a heterogeneous condition, and careful evaluation with video-EEG monitoring and high resolution MRI can identify distinct syndromes. These results have implications for the design of clinical trials of antiepileptogenic therapies for PTE.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».