MétaCan
Menu
Retour à la cohorte
Enregistrement W2528229209 · doi:10.1212/wnl.86.16_supplement.p5.011

Validating StatNet EEG as a Reliable and Effective Tool in the Diagnosis of Non-Convulsive Status Epilepticus: Phase 2 (P5.011)

2016· article· en· W2528229209 sur OpenAlexaffabout
A Voll, Dianne Dash, Wes Sutherland, Lizbeth Hernández‐Ronquillo, Jose Tellez Zenteno, Farzad Moien Afshari

Notice bibliographique

RevueNeurology · 2016
Typearticle
Langueen
DomaineComputer Science
ThématiqueMachine Learning in Healthcare
Établissements canadiensSaskatchewan Health AuthorityUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésStatus epilepticusElectroencephalographyMedicineEpilepsyNeuroscienceIntensive care medicinePsychologyPsychiatry

Résumé

récupéré en direct d'OpenAlex

Objective: 1. Demonstrate the validity of the StatNet portable EEG system in diagnosing seizures and Non-convulsive status epilepticus (NCSE) when conventional EEG is unavailable. 2. Develop clinical criteria to identify patients at risk of NCSE. Background: NCSE is clinically subtle and it dramatically increases morbidity and mortality. This makes it difficult to diagnose without EEG. StatNet EEG provides a quick alternative to conventional EEG, which is often unavailable after hours. Methods: Patients are primarily recruited from the Emergency Department. Each patient received a StatNet EEG and a conventional EEG, when available. We blinded and compared the studies, assessing delay between the studies, setup time, artifact, and detection of abnormalities using conventional EEG as controls. The nonparametric Mann-Whitney two-sample T-test was used. Results are expressed in mean minutes +/- standard deviation. Inter-observer reliability was assessed by Kappa score. Results: 19 patients were collected. Two StatNet EEGs were not interpretable and were excluded. Mean age is 60y ±21.94y (17-93y range). 68[percnt] (N=13) are male. The inter-observer agreement for detection of any abnormalities is 0.54 (0.18, CI=0.19-0.89) for StatNet EEG and 0.73 (0.18, CI=0.37-1.0) for conventional EEG. Inter-observer agreement for epileptiform discharges was 0.76 (0.22, CI=0.33-1.0) for StatNet EEG and 0.76 (0.16, CI=0.43-1.0) for conventional EEG. Inter-observer agreement for NCSE was 1.00 (0, CI=1.00-1.00) for StatNet EEG and 0.64 (0.32, CI=0.0031-1.0) for conventional EEG, in the single identified case. Statnet Electrode placement is significantly shorter: 13:14±5:24 StatNet EEG vs 18:07±5:35 conventional EEG (p=0.02). Conclusions: There is high inter-rater reliability between the conventional and StatNet EEG groups demonstrating that StatNet EEG is a reliable and effective tool, aiding specifically in early recognition and management of NCSE. The potential exists to decrease associated morbidity and mortality. Once StatNet is validated, we will ask for Health Canada approval to implement a stat EEG pathway.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,209
Score d'incertitude au seuil0,375

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,308
Écart entre enseignants0,297 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNeurologyMême sujetMachine Learning in HealthcareTravaux en français237 207