Prevention of generalized tonic–clonic seizures in refractory focal epilepsy: A meta‐analysis
Notice bibliographique
Résumé
OBJECTIVES: Secondary generalized tonic-clonic seizures (SGTCS) are among the most severe forms of seizures, and the main risk factor for sudden unexpected death in epilepsy (SUDEP). Whether some antiepileptic drugs (AEDs) might be more efficacious than others on SGTCS in patients with drug-resistant focal epilepsy thus represents an important clinical issue for which no data are currently available. METHODS: We performed a meta-analysis of randomized controlled trials of adjunctive AED in which information on efficacy outcomes (i.e., responder rate and/or frequency per 28 days relative to baseline) were available both for all seizure types and for SGTCS. The primary analysis evaluated the efficacy of AEDs on all types of seizure and on SGTCS by comparing the responder rates for AED and for placebo. RESULTS: Responder rate was available both for all seizure types and for SGTCS in 13 of the 72 eligible trials, evaluating 7 AEDs. Only three AEDs--lacosamide, perampanel and topiramate--showed greater efficacy than placebo. However, confidence intervals of relative risks overlapped for all AEDs but pregabalin, which demonstrated significantly lower efficacy than lacosamide, perampanel, and topiramate. Moreover, there was a nonsignificant trend toward a lower relative risk of responder rate for SGTCS than for all seizure types, which appeared related to a greater response to placebo for this outcome. SIGNIFICANCE: Indirect comparison of AEDs using randomized placebo-controlled add-on trials does not support robust differences between AEDs to prevent SGTCS. Alternative designs for evaluation of therapeutic interventions in patients at risk for SGTCS-related complications are required.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,007 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».