Association of fast ripples on intracranial EEG and outcomes after epilepsy surgery
Notice bibliographique
Résumé
<h3>Objective</h3> To examine whether fast ripples (FRs) are an accurate marker of the epileptogenic zone, we analyzed overnight stereo-EEG recordings from 43 patients and hypothesized that FR resection ratio, maximal FR rate, and FR distribution predict postsurgical seizure outcome. <h3>Methods</h3> We detected FRs automatically from an overnight recording edited for artifacts and visually from a 5-minute period of slow-wave sleep. We examined primarily the accuracy of removing ≥50% of total FR events or of channels with FRs to predict postsurgical seizure outcome (Engel class I = good, classes II–IV = poor) according to the whole-night and 5-minute analysis approaches. Secondarily, we examined the association of low overall FR rates or absence or incomplete resection of 1 dominant FR area with poor outcome. <h3>Results</h3> The accuracy of outcome prediction was highest (81%, 95% confidence interval [CI] 67%–92%) with the use of the FR event resection ratio and whole-night recording (vs 72%, 95% CI 56%–85%, for the visual 5-minute approach). Absence of channels with FR rates >6/min (<i>p</i> = 0.001) and absence or incomplete resection of 1 dominant FR area (<i>p</i> < 0.001) were associated with poor outcome. <h3>Conclusions</h3> FRs are accurate in predicting epilepsy surgery outcome at the individual level when overnight recordings are used. Absence of channels with high FR rates or absence of 1 dominant FR area is a poor prognostic factor that may reflect suboptimal spatial sampling of the epileptogenic zone or multifocality, rather than an inherently low sensitivity of FRs. <h3>Classification of evidence</h3> This study provides Class II evidence that FRs are accurate in predicting epilepsy surgery outcome.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 ».