Non-neurophysiologist Physicians and Nurses Can Detect Subclinical Seizures in Children Using a Panel of Quantitative EEG Trends and a Seizure Detection Algorithm
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
PURPOSE: This study evaluated the sensitivity of nonconvulsive seizure detection by non-neurophysiologist physicians and nurses using a panel of quantitative EEG (QEEG) trends in the setting of a pediatric intensive care unit. METHODS: Forty-five 1-hour QEEG epochs were obtained retrospectively from 10 patients admitted to the McMaster Children's Hospital pediatric intensive care unit, which included 184 electrographic seizures. Each epoch constituted 4 QEEG trends, a seizure probability marker, automated seizure detector, rhythmicity spectrograms, and amplitude-integrated EEG. Six pediatric residents and 5 pediatric intensive care unit nurses analyzed the epochs for possible seizures after a 15-minute power point presentation. This was compared with the gold standard of a board-certified epileptologist interpreting the conventional EEG data for seizures. RESULTS: Sensitivity of seizure detection for pediatric residents and intensive care unit nurses were 0.90. The specificity was 0.87 and 0.89, respectively. The interrater agreement among the pediatric residents was moderate with a kappa (κ) value of 0.45 (confidence interval: 0.41-0.49), and among the nurses were moderate with a κ value of 0.59 (confidence interval: 0.54-0.63). A post hoc analysis involving 2 neurophysiologists demonstrated a sensitivity of 0.90 and a specificity of 0.93 (confidence interval: 0.90-0.96) for seizure detection and a substantial interrater agreement of κ = 0.76 (confidence interval: 0.61-0.91). CONCLUSIONS: A panel of QEEG trends can be used by non-neurophysiologists in a pediatric critical care setting to detect nonconvulsive seizures with a reasonable accuracy, which may expedite subclinical seizure identification and timely intervention.
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 | 0,002 |
| 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 | 0,001 |
| 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