Sudden Unexpected Death in Epilepsy
Notice bibliographique
Résumé
OBJECTIVE: To develop and validate a tool for individualized prediction of sudden unexpected death in epilepsy (SUDEP) risk, we reanalyzed data from 1 cohort and 3 case-control studies undertaken from 1980 through 2005. METHODS: We entered 1,273 epilepsy cases (287 SUDEP, 986 controls) and 22 clinical predictor variables into a Bayesian logistic regression model. RESULTS: Cross-validated individualized model predictions were superior to baseline models developed from only average population risk or from generalized tonic-clonic seizure frequency (pairwise difference in leave-one-subject-out expected log posterior density = 35.9, SEM ± 12.5, and 22.9, SEM ± 11.0, respectively). The mean cross-validated (95% bootstrap confidence interval) area under the receiver operating curve was 0.71 (0.68-0.74) for our model vs 0.38 (0.33-0.42) and 0.63 (0.59-0.67) for the baseline average and generalized tonic-clonic seizure frequency models, respectively. Model performance was weaker when applied to nonrepresented populations. Prognostic factors included generalized tonic-clonic and focal-onset seizure frequency, alcohol excess, younger age at epilepsy onset, and family history of epilepsy. Antiseizure medication adherence was associated with lower risk. CONCLUSIONS: Even when generalized to unseen data, model predictions are more accurate than population-based estimates of SUDEP. Our tool can enable risk-based stratification for biomarker discovery and interventional trials. With further validation in unrepresented populations, it may be suitable for routine individualized clinical decision-making. Clinicians should consider assessment of multiple risk factors, and not focus only on the frequency of convulsions.
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) | 0,001 | 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 ».