Breath analysis in detecting epilepsy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The aim of this proof of concept study is to investigate if an electronic nose (eNose) is able to make a distinction between breath profiles of diagnosed epilepsy patients and epilepsy-free control subjects. An eNose is a non-invasive device, with a working mechanism that is based on the presence of volatile organic compounds (VOCs) in exhaled breath. These VOCs interact with the sensors of the eNose, and the eNose has to be trained to distinguish between breath patterns from patients with a specific disease and control subjects without that disease. During the measurement participants were asked to breathe through the eNose for five minutes via a disposable mouthpiece. Seventy-four epilepsy patients and 110 control subjects were measured to train the eNose and create a classification model. To assess the effects of anti-epileptic drugs (AEDs) usage on the classification, additional test groups were measured: seven patients who (temporarily) did not use AEDs and 11 patients without epilepsy who used AEDs. The results show that an eNose is able to make a distinction between epilepsy and control subjects with a sensitivity of 76%, a specificity of 67%, and an accuracy of 71%. The results of the two additional groups of subjects show that the created model classifies one out of seven epilepsy patients without AEDs and six out of 13 patients without epilepsy but with AEDs correctly. In this proof of concept study, the Aeonose TM is able to differentiate between epilepsy patients and control subjects. However, the number of false positives and false negatives is still high, which suggests that this first model is still mainly based on the usage of various AEDs.
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.
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 | 0,001 | 0,003 |
| 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 | 0,001 |
| 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 découle