Maximizing the Yield of Rapid Eye Movement Sleep in the Epilepsy Monitoring Unit
Notice bibliographique
Résumé
PURPOSE: Rapid eye movement (REM) sleep can help localize the epileptogenic zone in multifocal epilepsy when interictal discharges appear diffuse. However, REM sleep is reputedly rare and easily overlooked in the Epilepsy Monitoring Unit (EMU). The aims of this study are to determine the characteristics of REM sleep in a typical EMU and whether using automated artifact recognition can meaningfully enhance REM sleep detection. METHODS: Artifact-based REM sleep detection was applied to 581 nights of EMU recording from 100 patients over 12 months. REM sleep had been manually detected at the time of recording. The index of suspicion for manual detection was raised after 6 months. Artifact-based detection was compared with manual detection, and the impact on localization was assessed. RESULTS: REM sleep occurred in 77% of EMU nights. Thirty-six patients achieved REM sleep nightly and 62 patients on at least one night. Mean admission was 5.83 days. Mean REM sleep duration was 5.92 minutes over 1.88 mean nightly bouts. Raising the level of suspicion increased manual detection rates from 22.6% to 40.5%. The artifact-based detection rate was 96% and provided additional localizing information in 10% of epilepsy patients. CONCLUSIONS: REM sleep is common in the EMU, but bouts are few and brief. Capturing these bouts to maximize the yield of REM sleep in the EMU is made possible by automated artifact recognition whose results could enhance localization of the epileptogenic zone.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».