Diagnostic Utility of Wireless Video-Electroencephalography in Unsedated Dogs
Notice bibliographique
Résumé
BACKGROUND: Poor agreement between observers on whether an unusual event is a seizure drives the need for a specific diagnostic tool provided by video-electroencephalography (video-EEG) in human pediatric epileptology. OBJECTIVE: That successful classification of events would be positively associated with increasing EEG recording length and higher event frequency reported before video-EEG evaluation; that a novel wireless video-EEG technique would clarify whether unusual behavioral events were seizures in unsedated dogs. ANIMALS: Eighty-one client-owned dogs of various breeds undergoing investigation of unusual behavioral events at 4 institutions. METHODS: Retrospective case series: evaluation of wireless video-EEG recordings in unsedated dogs performed at 4 institutions. RESULTS: Electroencephalography achieved/excluded diagnosis of epilepsy in 58 dogs (72%); 25 dogs confirmed with epileptic seizures based on ictal/interictal epileptiform discharges, and 33 dogs with no EEG abnormalities associated with their target events. As reported frequency of the target events decreased (annually, monthly, weekly, daily, hourly, minutes, seconds), EEG was less likely to achieve diagnosis (P < 0.001). Every increase in event frequency increased the odds of achieving diagnosis by 2.315 (95% confidence interval: 1.36-4.34). EEG recording length (mean = 3.69 hours, range: 0.17-22.5) was not associated (P = 0.2) with the likelihood of achieving a diagnosis. CONCLUSIONS AND CLINICAL IMPORTANCE: Wireless video-EEG in unsedated dogs had a high success for diagnosis of unusual behavioral events. This technique offered a reliable clinical tool to investigate the epileptic origin of behavioral events in dogs.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».