Yield of epileptiform electroencephalogram abnormalities in incident unprovoked seizures: A population‐based study
Notice bibliographique
Résumé
OBJECTIVE: The yield of epileptiform abnormalities in serial electroencephalography (EEG) studies has not been addressed in a population-based setting for subjects with incident epilepsy or a single unprovoked seizure, raising the possibility of methodologic limitations such as selection bias. Our aim was to address these limitations by assessing the yield and predictors of epileptiform abnormalities for the first and subsequent EEG recording in a study of incident epilepsy or single unprovoked seizure in Rochester, Minnesota. METHODS: We used the resources of the Rochester Epidemiology Project to identify all 619 residents of Rochester, Minnesota, born in 1920 or later with a diagnosis of incident epilepsy (n = 478) or single unprovoked seizure (n = 141) between 1960 and 1994, who had at least one EEG study. Information on all EEG studies and their results was obtained by comprehensive review of medical records. RESULTS: Among subjects with epilepsy, the cumulative yield of epileptiform abnormalities was 53% after the first EEG study and 72% after the third. Among subjects with a single unprovoked seizure, the cumulative yield was 39% after the first EEG study and 68% after the third. Young age at diagnosis and idiopathic etiology were risk factors for finding epileptiform abnormalities across all EEG recordings. SIGNIFICANCE: Although the cumulative yield of epileptiform abnormalities increases over successive EEG recordings, there is a decrease in the increment for each additional EEG study after the first EEG study. This is most evident in incident epilepsy and in younger subjects. Clinically it may be worthwhile to consider that the probability of finding an epileptiform abnormality after the third nonepileptiform EEG recording is low.
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 ».