MétaCan
Menu
← Retour à la cohorte
Enregistrement W2587494760 · doi:10.1212/wnl.86.16_supplement.p6.261

Qualitative Review of Quantitative EMG Results Can Improve Needle EDX Studies (P6.261)

2016· article· en· W2587494760 sur OpenAlexaff
Divisha Raheja, Zachary Simmons, Daniel W. Stashuk

Notice bibliographique

RevueNeurology · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueMuscle activation and electromyography studies
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésPhysical medicine and rehabilitationMedicineComputer science

Résumé

récupéré en direct d'OpenAlex

Needle electrodiagnostic (EDX) examination is gold standard for diagnosing neuromuscular conditions. Motor unit potentials (MUPs) are evaluated qualitatively or semi-quantitatively for motor unit size, morphology and recruitment to determine the presence or absence of disease. Decomposition based quantitative electromyography (DQEMG) is a computer based algorithm which decomposes electromyographic signals acquired during EDX examination into composite MUP trains, that can be individually quantitatively analyzed and collectively contribute to the characterization of muscle. Methods: EDX examination was performed during low level muscle contraction at four different needle positions in all the tested muscles and muscles were classified qualitatively as normal, myopathic or neurogenic. In addition, at each needle position, the level of contraction was increased to 40-60MUPs per second and 10 seconds of needle EMG data was acquired. MUP trains were isolated and analyzed using DQEMG algorithm and a separate qualitative assessment of the quantitative EMG results was performed, based on MUP size, dispersion and stability. Muscles were characterized as normal, myopathic or neurogenic. The qualitative assessment of each muscle based on routine examination was compared with the qualitative assessment using results provided by DQEMG algorithm. Results: 206 muscles were sampled from 45 patients. Routine assessment agreed with the qualitative assessment from DQEMG in 181/ 206 muscles (87.9[percnt]). 9 muscles categorized normal using routine assessment were characterized myopathic in 4 muscles (1.9[percnt]) and neurogenic in 5 muscles (2.4[percnt]) based on DQEMG results. The remaining 16 muscles (7.8[percnt]) characterized mildly neurogenic using routine examination were characterized normal based on DQEMG results, as the MUP morphology and stability were thought to be age appropriate. Conclusion: Qualitative assessment based on DQEMG results provides more accurate and additional quantitative information than routine EDX and may aid in clarifying the diagnosis in some of the diagnostic challenging patients. It can be completed in a reasonable time frame.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,037
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,053

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,037
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0030,002
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0130,005

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 Opus0,051
Tête enseignante GPT0,343
Écart entre enseignants0,291 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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'admission1
Résumé présentoui

Explorer davantage

Même revueNeurology→Même sujetMuscle activation and electromyography studies→Travaux en français237 207→