Access to diagnostic and therapeutic facilities for psychogenic nonepileptic seizures: An international survey by the <scp>ILAE PNES</scp> Task Force
Notice bibliographique
Résumé
OBJECTIVE: Studies from a small number of countries suggest that patients with psychogenic nonepileptic seizures (PNES) have limited access to diagnostic and treatment services. The PNES Task Force of the International League Against Epilepsy (ILAE) carried out 2 surveys to explore the diagnosis and treatment of PNES around the world. METHODS: A short survey (8 questions) was sent to all 114 chapters of the ILAE. A longer survey (36 questions) was completed by healthcare professionals who see patients with seizures. Questions were separated into 5 sections: professional role, diagnostic methods, management, etiology, and access to health care. RESULTS: Responses were received from 63 different countries. The short survey was completed by 48 ILAE chapters, and the long survey by 1098 health professionals from 28 countries. PNES were recognized as a diagnostic and therapeutic problem in all countries. Trauma and mental health issues were most commonly recognized as etiologic factors. There was a clear relationship between income and access to diagnostic tests and expertise. Psychological therapy was most commonly considered the treatment of choice. Although financial difficulties were the most commonly reported problem with service access in low-income countries, in all countries stigma, lack of popular awareness, and lack of information posed challenges. SIGNIFICANCE: This global provider survey demonstrates that PNES are a health problem around the world. Health care for PNES could be improved with better education of healthcare professionals, the development of reliable and simple diagnostic procedures that do not rely on costly tests, and the provision of accessible information.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».