Safety and Efficacy of Stereoelectroencephalography in Pediatric Epilepsy Surgery
Notice bibliographique
Résumé
Abstract Stereoelectroencephalography (SEEG) is the preoperative assessment of choice when the epileptogenic zone (EZ) is unclear in patients requiring surgery for severe, drug-refractory epilepsy. There are relatively little data on the safety and efficacy of SEEG in the pediatric epilepsy population. We, therefore, investigated the insertional complications, rate of successful identification of the EZ, and long-term seizure outcomes following surgery after SEEG in children. This was a retrospective study of drug-resistant pediatric epilepsy patients treated with surgery between 2005 and 2020 and who underwent presurgical SEEG. Rationale for and coverage of SEEG, identification of the EZ, and ultimate seizure outcome following SEEG-tailored resections were collected and analyzed. Thirty patients (15 male, mean age: 12.4 ± 5 years) who underwent SEEG were studied. SEEG-related complications occurred in one case (3%). A total of 190 multicontact electrodes (mean: 7.0 ± 2.5 per patient) were implanted across 30 insertions capturing 440 electrographic seizures (mean: 17.5 ± 27.6 per patient). The most common rationale for SEEG was normal magnetic resonance imaging with surface EEG that failed to identify the EZ (17/30; 57%). SEEG identified a putative EZ in all cases, resulting in SEEG-tailored resections in 25/30 (83%). Freedom from disabling seizures was achieved following resections in 20/25 cases (80%) with 5.9 ± 4.0 years of postoperative follow-up. SEEG is a safe and effective way to identify the EZ in the presurgical evaluation of children with refractory epilepsy and permits effective and long-lasting SEEG-tailored resections.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».