Executive Dysfunction Is a Significant Predictor of Poor Quality of Life in Children with Epilepsy
Notice bibliographique
Résumé
PURPOSE: Based on prior research indicating poor health-related quality of life (HRQOL) in children with attention-deficit/hyperactivity disorder, we investigated (1) whether executive functioning deficits were related to poor HRQOL in children with epilepsy, (2) how important these variables were in comparison to known predictors of HRQOL such as neurological factors, and (3) the extent to which clinical-level impairments in executive dysfunction predispose children to low HRQOL. METHOD: Data included scores on the Behavior Rating Inventory of Executive Function (BRIEF) and HRQOL scales (The Impact of Childhood Illness Scale [ICI] and Hague Restrictions in Epilepsy Scale [HARCES]) for 121 children (mean age = 11.9, SD = 3.6) from a tertiary center serving children with severe epilepsy. RESULTS: Correlations between the BRIEF and ICI total and subscore domains (child, parent, family, and treatment) were generally significant and moderate (e.g., r > or = 0.30, p < or = 0.001). BRIEF Global Executive Composite, number of antiepileptic drugs (AEDs), number of prior AEDs, and adaptive level all emerged as significant and unique predictors of HRQOL (R(2)= 0.36, adj. R(2)= 0.33, p < 0.0001). A clinically elevated BRIEF was associated with a twofold risk of low HRQOL (odds ratio = 2.21, p = 0.03). CONCLUSIONS: Executive dysfunction appears to exert a broad adverse influence on HRQOL in children with epilepsy, with clinical-level impairments in executive dysfunction contributing to a twofold increase in the likelihood of poor HRQOL. The constellation of executive dysfunction, low adaptive level, high medication load, and a history of several failed AEDs are risk factors for poor HRQOL in children with 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 | 0,000 |
| 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 ».