Focal nonmotor versus motor seizures: The impact on diagnostic delay in focal epilepsy
Notice bibliographique
Résumé
OBJECTIVE: To test the hypothesis that people with focal epilepsy experience diagnostic delays that may be associated with preventable morbidity, particularly when seizures have only nonmotor symptoms, we compared time to diagnosis, injuries, and motor vehicle accidents (MVAs) in people with focal nonmotor versus focal seizures with motor involvement at epilepsy onset. METHODS: This retrospective study analyzed the enrollment data from the Human Epilepsy Project, which enrolled participants between 2012 and 2017 across 34 sites in the USA, Canada, Europe, and Australia, within 4 months of treatment for focal epilepsy. A total of 447 participants were grouped by initial seizure semiology (focal nonmotor or focal with motor involvement) to compare time to diagnosis and prediagnostic injuries including MVAs. RESULTS: Demographic characteristics were similar between groups. There were 246 participants (55%) with nonmotor seizures and 201 participants (45%) with motor seizures at epilepsy onset. Median time to diagnosis from first seizure was 10 times longer in patients with nonmotor seizures compared to motor seizures at onset (P < .001). The number and severity of injuries were similar between groups. However, 82.6% of MVAs occurred in patients with undiagnosed nonmotor seizures. SIGNIFICANCE: This study identifies reasons for delayed diagnosis and consequences of delay in patients with new onset focal epilepsy, highlighting a treatment gap that is particularly significant in patients who experience nonmotor seizures at epilepsy onset.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».