Predictors of nonconvulsive seizures among critically ill children
Notice bibliographique
Résumé
PURPOSE: Continuous electroencephalography (EEG) monitoring is a valuable tool for the detection of seizures among critically ill children, in particular when these seizures occur without clinical signs: termed nonconvulsive seizures. Continuous EEG monitoring is a limited resource in many centers. We sought to identify which critically ill children most frequently experience nonconvulsive seizures, and thus may particularly benefit from continuous EEG monitoring. METHODS: Single-center review was undertaken of consecutive diagnostic continuous EEG (cEEG) recordings performed in our pediatric and neonatal intensive care units (ICUs). We examined the indications for monitoring, the clinical characteristics of monitored patients, the occurrence and timing of seizures, and clinical and EEG characteristics associated with nonconvulsive seizures. KEY FINDINGS: One hundred twenty-one patients underwent diagnostic continuous EEG monitoring, for a mean duration of 26 h. Seizures were detected in 32% of these patients, of which 90% experienced some nonconvulsive seizures, and 72% experienced exclusively nonconvulsive seizures. Patients with nonconvulsive seizures had significantly greater odds of having acute epilepsy, acute structural brain injury, prior in-hospital convulsive seizures, and the presence of interictal epileptiform abnormalities on EEG. SIGNIFICANCE: Seizures are common among critically ill children undergoing diagnostic cEEG monitoring. The great majority of these seizures are nonconvulsive, requiring EEG for their detection. Predictors of nonconvulsive seizures include acute epilepsy, acute structural brain injury, prior in-hospital convulsive seizures, and interictal epileptiform abnormalities on EEG. These findings can help inform future allocation of limited cEEG monitoring resources to those patients at greatest risk for nonconvulsive seizures.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 ».