Seizure Detection Algorithms in Critically Ill Children: A Comparative Evaluation
Notice bibliographique
Résumé
OBJECTIVES: To evaluate the performance of commercially available seizure detection algorithms in critically ill children. DESIGN: Diagnostic accuracy comparison between commercially available seizure detection algorithms referenced to electroencephalography experts using quantitative electroencephalography trends. SETTING: Multispecialty quaternary children's hospital in Canada. SUBJECTS: Critically ill children undergoing electroencephalography monitoring. INTERVENTIONS: Continuous raw electroencephalography recordings (n = 19) were analyzed by a neurophysiologist to identify seizures. Those recordings were then converted to quantitative electroencephalography displays (amplitude-integrated electroencephalography and color density spectral array) and evaluated by six independent electroencephalography experts to determine the sensitivity and specificity of the amplitude-integrated electroencephalography and color density spectral array displays for seizure identification in comparison to expert interpretation of raw electroencephalography data. Those evaluations were then compared with four commercial seizure detection algorithms: ICTA-S (Stellate Harmonie Version 7; Natus Medical, San Carlos, CA), NB (Stellate Harmonie Version 7; Natus Medical), Persyst 11 (Persyst Development, Prescott, AZ), and Persyst 13 (Persyst Development) to determine sensitivity and specificity in comparison to amplitude-integrated electroencephalography and color density spectral array. MEASUREMENTS AND MAIN RESULTS: Of the 379 seizures identified on raw electroencephalography, ICTA-S detected 36.9%, NB detected 92.3%, Persyst 11 detected 75.9%, and Persyst 13 detected 74.4%, whereas electroencephalography experts identified 76.5% of seizures using color density spectral array and 73.7% using amplitude-integrated electroencephalography. Daily false-positive rates averaged across all recordings were 4.7 with ICTA-S, 126.3 with NB, 5.1 with Persyst 11, 15.5 with Persyst 13, 1.7 with color density spectral array, and 1.5 with amplitude-integrated electroencephalography. Both Persyst 11 and Persyst 13 had sensitivity comparable to that of electroencephalography experts using amplitude-integrated electroencephalography and color density spectral array. Although Persyst 13 displayed the highest sensitivity for seizure count and seizure burden detected, Persyst 11 exhibited the best trade-off between sensitivity and false-positive rate among all seizure detection algorithms. CONCLUSIONS: Some commercially available seizure detection algorithms demonstrate performance for seizure detection that is comparable to that of electroencephalography experts using quantitative electroencephalography displays. These algorithms may have utility as early warning systems that prompt review of quantitative electroencephalography or raw electroencephalography tracings, potentially leading to more timely seizure identification in critically ill patients.
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 | 0,007 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».