GP.6 Improving Triaging of EEG Referrals for Rule out Infantile Spasms (ITERIS)
Notice bibliographique
Résumé
Background: Infantile spasms (IS) is a devastating pediatric seizure disorder for which EEG referrals are prioritized at the Hospital for Sick Children, representing a resource challenge. The goal of this study was to improve the triaging system for these referrals. Methods: Part 1: descriptive analysis was performed retrospectively on EEG referrals. Part 2: prospective questionnaires were used to determine relative risk of various predictive factors. Part 3: electronic referral form was amended to include 5 positive predictive factors. A triage point system was tested by assigning EEGs as high risk (3 days), standard risk (1 week), or low risk (2 weeks). A machine learning model was developed. Results: Most EEG referrals were from community pediatricians with a low yield of IS diagnoses. Using the 5 predictive factors, the proposed triage system accurately diagnosed all IS within 3 days. No abnormal EEGs were missed in the low-risk category. The machine learning model had over 90% predictive accuracy and will be prospectively tested. Conclusions: Improving EEG triaging for IS may be possible to prioritize higher risk patients. Machine Learning techniques can potentially be applied to help with predictions. We hope that our findings will ultimately improve resource utilization and patient care.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».