Diagnostic Yield of 2-Hour EEG Is Similar With 30-Minute EEG in Patients With a Normal 30-Minute EEG
Notice bibliographique
Résumé
PURPOSE: Current literature suggests that longer duration of EEG recording increases the yield of detecting interictal epileptiform discharges. However, optimal duration for a repeat study in patients with initially normal 30-minute EEG is not clear. Thus, the purpose of this study is to determine whether a 2-hour EEG has a diagnostic advantage over a routine 30-minute EEG in detecting epileptiform abnormalities in patients who had a first normal 30-minute EEG. METHODS: This is a single-center, retrospective study done at UT Southwestern Medical Center at Dallas and Parkland Memorial Hospital. The data from 1997 to 2015 were extracted from the existing EEG report database for patients who had a first normal 30-minute EEG recording. EEG was interpreted by board-certified clinical neurophysiologists, who classified each EEG as normal or abnormal, with relevant subsequent subclassification. RESULTS: Over 18 years, a total of 12,425 individual 30-minute EEGs were performed. Of these, 1,023 patients had at least one repeated EEG after the first normal EEG. Among these patients, 763 had a 30-minute EEG as the second study and 260 had a 2-hour EEG as the second study. The yield of epileptiform discharges was 3.3% in the 30-minute EEG group and 4.2% in the 2-hour EEG group (P = 0.5) in the repeating studies. CONCLUSIONS: Two-hour EEG has a similar yield as 30-minute EEG to detect epileptiform discharges in patients with a normal 30-minute EEG.
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 | 0,002 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».