Resolving ambiguities in SUDEP classification
Notice bibliographique
Résumé
OBJECTIVE: To examine the consistency of applying the Nashef et al (2012) criteria to classify sudden unexpected death in epilepsy (SUDEP). METHODS: We reviewed cases from the North American SUDEP Registry (n = 250) and Medical Examiner Offices (n = 1301: 698 Maryland, 457 New York City, 146 San Diego). Two epileptologists with expertise in SUDEP and epilepsy-related mortality independently reviewed medical records, scene investigation, autopsy, and toxicology and assigned a SUDEP class. RESULTS: Major areas of disagreement arose between adjudicators concerned differentiating (1) Definite SUDEP Plus Comorbidity from Possible SUDEP and (2) Resuscitated (Near) SUDEP from SUDEP. In many cases, distinguishing between contributing and competing causes of death when trying to classify Definite SUDEP Plus Comorbidity versus Possible SUDEP is ambiguous and relies on judgement. Similarly, determining if an intervention was lifesaving or not (Resuscitated SUDEP or Not SUDEP), or if resuscitation merely delayed SUDEP (Resuscitated SUDEP or SUDEP) is often a judgement call and can differ between experienced adjudicators. Given these persisting ambiguities, we propose more explicit criteria for distinguishing these categories. SIGNIFICANCE: Accurate and consistent classification of cause of death among individuals with epilepsy remains a dire public health concern. SUDEP is likely underestimated in national health statistics. Greater standardization of criteria among epilepsy researchers, medical examiners, and epidemiologists to determine cause and classify death will lead to more accurate tracking of SUDEP and other epilepsy-related mortalities.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».