A clinical evaluation of a novel algorithm in the reliable detection of epileptic seizures
Notice bibliographique
Résumé
PURPOSE: Undetected and prolonged epileptic seizures can result in hypoxic brain damage or death and occur most often when the victim is in bed alone or unsupervised. Sudden unexpected death in epilepsy may not always be preventable but it is believed that timely assistance with rescue medication and body re-positioning may overcome respiratory compromise in some cases. A novel algorithm based on a real time moving 9 s epoch, calculating 25 % percentage heart rate change and/or an oxygen saturation trigger level of <85 % was developed using photoplethysmography and incorporated into a prototype data storage device. METHODS: The algorithm was clinically evaluated in this multicentre trial in the detection of clinically significant epileptic seizures. A range of epileptic seizures and normal physiological events were recorded and classified by reference standard EEG Videotelemetry and time-synchronised event data recorded by the prototype device incorporating the pre-specified cut-off points prospectively and retrospective analysis of all events. RESULTS: 119 participants who were attending electroencephalographic (EEG) videotelemetry as part of their clinical management of their epilepsy consented to take part in the trial. 683 epileptic seizures (77 clinically significant seizures) and 2648 normal physiological events were captured. When using pre-specified cut-off point 25 % heart rate change and/or oxygen desaturation <85 % on the basis of one/other, the device showed a sensitivity of 87 % for detecting clinically significant seizures. False Alarm Rate 4.5 (24 h FAR), detection latency of 58 s using heart rate percentage change. CONCLUSIONS: The results indicate that the novel algorithm can be used in detecting clinically significant seizures.
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 | 0,001 | 0,001 |
| 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 ».