Seizure control does not predict hippocampal subfield volume change in children with focal drug-resistant epilepsy
Notice bibliographique
Résumé
Background and purpose Recurrent seizures have been reported to induce neuronal loss in the hippocampus. It is unclear whether seizure control influences hippocampal volume. The aims of this study were to determine if there was a change in total or subfield hippocampal volume over time in children with focal drug-resistant epilepsy, and whether seizure control influenced total or subfield hippocampal volumes. Methods Using FreeSurfer’s automated segmentation of brain magnetic resonance imaging scans, we calculated the total and subfield (including CA1, CA3, CA4, subiculum, presubiculum, parasubiculum, molecular layer and dentate gyrus) hippocampal volumes of children with non-lesional focal epilepsy. Seizure frequency and hippocampal volumes were assessed at baseline and follow-up. Patients were classified into those who were seizure free or have improvement in seizures (group 1) and those with no improvement in seizures (group 2) at follow-up. Results Thirty-seven patients were included, with mean age 10.31 ± 3.68 years at baseline. The interval between the two magnetic resonance imaging scans was 2.59 ± 1.25 years. There was no significant difference in the total and subfield hippocampal volumes for the whole cohort at follow-up compared to baseline (all P > 0.002). Seizure control of the two groups did not predict total or subfield hippocampal volume, after controlling for baseline volume, age, severity of seizure frequency at baseline and time interval between the magnetic resonance imaging scans (all P > 0.002). Conclusion We have found that total and subfield hippocampal volumes did not change, and seizure control did not predict hippocampal volumes at follow-up in children with drug-resistant epilepsy.
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 | 0,000 |
| 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) | 0,000 | 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 ».