Tablet‐based electroencephalography diagnostics for patients with epilepsy in the West African Republic of Guinea
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Epilepsy is most common in lower-income settings where access to electroencephalography (EEG) is generally poor. A low-cost tablet-based EEG device may be valuable, but the quality and reproducibility of the EEG output are not established. METHODS: Tablet-based EEG was deployed in a heterogeneous epilepsy cohort in the Republic of Guinea (2018-2019), consisting of a tablet wirelessly connected to a 14-electrode cap. Participants underwent EEG twice (EEG1 and EEG2), separated by a variable time interval. Recordings were scored remotely by experts in clinical neurophysiology as to data quality and clinical utility. RESULTS: There were 149 participants (41% female; median age 17.9 years; 66.6% ≤21 years of age; mean seizures per month 5.7 ± SD 15.5). The mean duration of EEG1 was 53 ± 12.3 min and that of EEG2 was 29.6 ± 12.8 min. The mean quality scores of EEG1 and EEG2 were 6.4 [range, 1 (low) to 10 (high); both medians 7.0]. A total of 44 (29.5%) participants had epileptiform discharges (EDs) at EEG1 and 25 (16.8%) had EDs at EEG2. EDs were focal/multifocal (rather than generalized) in 70.1% of EEG1 and 72.5% of EEG2 interpretations. A total of 39 (26.2%) were recommended for neuroimaging after EEG1 and 22 (14.8%) after EEG2. Of participants without EDs at EEG1 (n = 53, 55.8%), seven (13.2%) had EDs at EEG2. Of participants with detectable EDs on EEG1 (n = 23, 24.2%), 12 (52.1%) did not have EDs at EEG2. CONCLUSIONS: Tablet-based EEG had a reproducible quality level on repeat testing and was useful for the detection of EDs. The incremental yield of a second EEG in this setting was ~13%. The need for neuroimaging access was evident.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».