aEEG vs cEEG’s sensivity for seizure detection in the setting of neonatal intensive care units: A systematic review and meta‐analysis
Notice bibliographique
Résumé
AIM: Amplitude-integrated electroencephalography (aEEG)'s accuracy compared to conventional electroencephalography (cEEG) has not been fully established. The aim of our study was to conduct a systematic review on the sensitivity of the aEEG for neonatal seizure detection. METHODS: Studies from PubMed and Google Scholar databases comparing recordings of cEEG and aEEG in newborns were included according to the PRISMA method. A quality assessment using the QUADAS-2 tool was provided. A random-effect model was used to account for different sources of variations among studies. Publication biases were represented by a funnel plot, and funnel plot symmetry was assessed. RESULTS: Fourteen studies were reported; sensitivity of each diagnostic tool used (single-channel aEEG, two-channel aEEG, two-channel aEEG plus raw trace EEG) was compared to that of the gold-standard cEEG and to those of the other methods used. Overall sensitivity of the aEEG ranged from 31.25% to 90%. CONCLUSION: Our study provides evidence that sensitivity of aEEG varies significantly and that seizure detection rate is lower than that of cEEG. The two-channel aEEG with raw trace EEG shows a high sensitivity and might represent a valid alternative to the cEEG in the setting of neonatal intensive care units (NICUs).
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 | 0,019 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,014 | 0,023 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».