ADHD, Neurological Correlates and Health‐related Quality of Life in Severe Pediatric Epilepsy
Notice bibliographique
Résumé
PURPOSE: ADHD is reported as a frequent comorbidity in pediatric epilepsy. We aimed to clarify the prevalence of ADHD, its neurological correlates and the role of ADHD in health-related quality of life (HRQOL) in children with severe epilepsy. METHOD: Data from the ADHD Rating Scale-IV (ADHD-RS-IV) from 203 children (mean age = 11.8, SD=3.8) from a tertiary center serving children with severe epilepsy were reviewed. RESULTS: Inattention was frequently elevated in the sample (40% vs. 18% for hyperactivity-impulsivity). Age of onset, epilepsy duration, and seizure frequency were not related to severity of inattention or hyperactivity-impulsivity. Over 60% of children met screening criteria for ADHD-Inattentive subtype (ADHD-I) or ADHD-Combined Inattentive/Hyperactive-Impulsive subtype (ADHD-C). Compared to ADHD-I, ADHD-C was associated with earlier onset of seizures, generalized epilepsy, lower adaptive level, and in normally developing children, a higher degree of intractability compared to ADHD-I. ADHD-I was more prevalent in localization-related epilepsy, and there was a trend for a higher use of AEDs with cognitive side effects in this group. ADHD was associated with poor HRQOL: children with ADHD-I and ADHD-C had a two- and four-fold likelihood of low HRQOL, respectively, compared to non-ADHD children. CONCLUSIONS: Children seen at tertiary care centers for severe epilepsy are at high risk for attention problems and ADHD, and ADHD is a significant predictor of poor HRQOL in epilepsy, particularly in the case of ADHD-C. ADHD occurring in the context of severe epilepsy appears to be associated with specific neurological characteristics, which has implications for comorbidity models of ADHD and 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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».