Quantitative Interictal Subdural EEG Analyses in Children with Neocortical Epilepsy
Notice bibliographique
Résumé
PURPOSE: We studied the relation between quantitative interictal subdural EEG data and visually defined ictal subdural EEG findings in children with intractable neocortical epilepsy, and determined whether interictal EEG data are predictive of ictal EEG onset zones. METHODS: Thirteen children (aged 1.2-15.4 years) underwent prolonged intracranial EEG recording, using 48- to 120-channel subdural electrodes. Three distinct 10-min segments of the continuous interictal EEG recording were selected for each patient, and the spike frequency for each channel was determined by using an automatic spike-detection program. Subsequently the average spike frequency of each electrode was compared with ictal assessment (onset, spread, and no early ictal involvement). In addition, 50 distinct interictal spikes were averaged for each patient, and the amplitude and latency after the leading spike (averaged spike showing the earliest peak) were measured for each electrode and analyzed with respect to ictal EEG findings. RESULTS: Reproducibility of the spike-frequency pattern derived from three 10-min segments was high (Kendall's W, 0.85 +/- 0.08). Electrodes showing the highest spike frequency, the highest spike amplitude, and the leading spike were found to be a part of the seizure onset in 13 of 13, 12 of 13, and 10 of 13 cases, respectively. There was significant correlation between ictal assessment and spike frequency as well as spike amplitude. A receiver operating characteristics analysis showed that a cutoff threshold at 14% of the maximal spike frequency resulted in a specificity of 0.90 and a sensitivity of 0.77 for the detection of seizure-onset electrodes. CONCLUSIONS: Quantitative interictal subdural EEG may predict ictal-onset zones in children with intractable neocortical epilepsy.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».