Towards a clinically informed, data‐driven definition of elderly onset epilepsy
Notice bibliographique
Résumé
OBJECTIVE: Elderly onset epilepsy represents a distinct subpopulation that has received considerable attention due to the unique features of the disease in this age group. Research into this particular patient group has been limited by a lack of a standardized definition and understanding of the attributes associated with elderly onset epilepsy. METHODS: We used a prospective cohort database to examine differences in patients stratified according to age of onset. Linear support vector machine learning incorporating all significant variables was used to predict age of onset according to prespecified thresholds. Sensitivity and specificity were calculated and plotted in receiver-operating characteristic (ROC) space. Feature coefficients achieving an absolute value of 0.25 or greater were graphed by age of onset to define how they vary with time. RESULTS: We identified 2,449 patients, of whom 149 (6%) had an age of seizure onset of 65 or older. Fourteen clinical variables had an absolute predictive value of at least 0.25 at some point over the age of epilepsy-onset spectrum. Area under the curve in ROC space was maximized between ages of onset of 65 and 70. Features identified through machine learning were frequently threshold specific and were similar, but not identical, to those revealed through simple univariable and multivariable comparisons. SIGNIFICANCE: This study provides an empirical, clinically informed definition of "elderly onset epilepsy." If validated, an age threshold of 65-70 years can be used for future studies of elderly onset epilepsy and permits targeted interventions according to the patient's age of onset.
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 | 0,002 |
| 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 | 0,001 |
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 ».