Seizure Identification by Critical Care Providers Using Quantitative Electroencephalography
Notice bibliographique
Résumé
OBJECTIVES: To compare the performance of critical care providers with that of electroencephalography experts in identifying seizures using quantitative electroencephalography display tools. DESIGN: Diagnostic accuracy comparison among healthcare provider groups. SETTING: Multispecialty quaternary children's hospital in Canada. SUBJECTS: ICU fellows, ICU nurses, neurophysiologists, and electroencephalography technologists. INTERVENTION: Two-hour standardized one-on-one training, followed by a supervised individual review of 27 continuous electroencephalography recordings with the task of identifying individual seizures on eight-channel amplitude-integrated electroencephalography and color density spectral array displays. MEASUREMENTS AND MAIN RESULTS: Each participant reviewed 27 continuous electroencephalograms comprising 487 hours of recording containing a total of 553 seizures. Performance for seizure identification was compared among groups using a nested model analysis with adjustment for interparticipant variability within groups and collinearity among recordings. Using amplitude-integrated electroencephalography, sensitivity for seizure identification was comparable among ICU fellows (83.8%), ICU nurses (73.1%), and neurophysiologists (81.5%) but lower among electroencephalographic technologists (66.7%) (p = 0.003). Using color density spectral array, sensitivity was comparable among ICU fellows (82.4%), ICU nurses (88.2%), neurophysiologists (83.3%), and electroencephalographic technologists (73.3%) (p = 0.09). Daily false-positive rates were also comparable among ICU fellows (2.8 for amplitude-integrated electroencephalography, 7.7 for color density spectral array), ICU nurses (4.2, 7.1), neurophysiologists (1.2, 1.5), and electroencephalographic technologists (0, 0) (p = 0.41 for amplitude-integrated electroencephalography; p = 0.13 for color density spectral array). However, performance varied greatly across individual electroencephalogram recordings. Professional background generally played a greater role in determining performance than individual skill or electroencephalogram recording characteristics. CONCLUSIONS: Following standardized training, critical care providers and electroencephalography experts displayed similar performance for identifying individual seizures using both amplitude-integrated electroencephalography and color density spectral array displays. Although these quantitative electroencephalographic trends show promise as a tool for bedside seizure screening by critical care providers, these findings require confirmation in a real-world ICU environment and in daily clinical use.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».