P.019 A machine learning approach to asymmetric burst suppression and refractory status epilepticus outcome
Notice bibliographique
Résumé
Background: Treatment of refractory status epilepticus (RSE) is often titrated to achieve EEG burst suppression. However, optimal burst suppression characteristics are largely unknown. We used an unsupervised machine learning algorithm to predict RSE outcome based on the quantitative burst suppression ratio (QBSR). Methods: We conducted principal component analysis (PCA) as a linear combination of 22 QBSR features from non-anoxic adult RSE patients at the Winnipeg Health Sciences Centre. We also determined the most predictive components that significantly differed between survivors and non-survivors. Results: Using 135,765 QBSRs from 7 survivors and 10 non-survivors, PCA identified a predominantly non-survivor cluster of 8 patients (75% non-survivors). The first 2 PCA components comprised 75% data variance. The most important first component feature was skewness of QBSR distribution in the right or left hemisphere (0.52 each). The most important second component feature was third QBSR quantile of the left hemisphere (0.49). Only right hemispheric QBSR features significantly differed between groups: QBSR skewness for the first component (Benjamini-Hochberg adjusted p=0.038) and average QBSR for the second component (0.32, Benjamini-Hochberg adjusted p=0.046). Conclusions: Our pilot study shows that RSE patient survival may be impacted by QBSR, with differential hemispheric EEG burst suppression characteristics predicting poor RSE outcome.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».