P.096 Optimizing the Use of Continuous EEG Monitoring in Neonatal Encephalopathy
Notice bibliographique
Résumé
Background: Newborns with hypoxic-ischemic encephalopathy (HIE) are at high risk for seizures, the majority of which have no clinical signs and therefore require continuous electroencephalographic (cEEG) monitoring for their detection. We sought to determine which neonates are at highest risk for seizures in order to optimize allocation of scarce cEEG resources. Methods: We identified term neonates diagnosed with HIE who underwent at least 24 hours of protocol-based cEEG monitoring between 2016 and 2019. We quantified seizure incidence, timing and burden, and correlated these with potential risk factors such as HIE severity, use of therapeutic hypothermia, preceding suspected clinical seizures, amplitude-integrated EEG (aEEG) background and patterns suspicious for seizures, and use of anti-seizure drugs. Results: cEEG monitoring was completed in 218 neonates with HIE, of whom 164 (75%) underwent therapeutic hypothermia. Preceding clinical/aEEG seizures occurred in 147 (67%), 99 (67%) of whom had been cooled but only 22 (10%) had cEEG-confirmed seizures. Characterization of seizure burden and correlation with potential risk factors is ongoing. Conclusions: Although seizures are commonly suspected in neonates with HIE, they are infrequently confirmed during cEEG monitoring, creating opportunities for more efficient risk-based allocation of cEEG resources.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».