A.3 Use of diffusion-weighted imaging to distinguish seizure-related change from limbic encephalitis
Notice bibliographique
Résumé
Background: Limbic encephalitis (LE) classically causes medial temporal lobe T2-hyperintensity on magnetic resonance imaging (MRI), but this can also occur with seizure activity. Identifying neuroimaging patterns that can distinguish between LE and seizure activity may help avoid diagnostic confusion in such challenging cases. Methods: Through retrospective review of Mayo Clinic patients who had medial temporal lobe T2-hyperintensity on MRI, we identified non-LE patients with seizure-related medial temporal lobe T2-hyperintensity. Their diffusion-weighted imaging (DWI) was reviewed to look for diffusion restriction patterns potentially unique to seizure activity. Next, a control cohort of LE patients with medial temporal lobe T2-hyperintensity was identified, and their DWI was reviewed to see if these diffusion restriction patterns could help distinguish seizure activity from LE. Results: We identified 10 non-LE patients who had medial temporal lobe T2-hyperintensity due to seizure activity; 9/10 had one of two medial temporal lobe diffusion restriction patterns we uncovered as being potentially unique to seizure activity. In contrast, only 5/57 LE patients had one of these diffusion restriction patterns identified, all of whom had seizures reported. Conclusions: We report two diffusion restriction patterns that may help distinguish seizure activity from LE. Recognition of these diffusion restriction patterns should prompt evaluation for possible seizure activity.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».