Phenotyping of Review-of-Systems Responses to Differentiate Functional Seizures From Epilepsy
Notice bibliographique
Résumé
Although the populations of patients with functional seizures (FS) and epileptic seizures (ES) are extremely heterogeneous with multiple etiologies and phenotypes, patients with FS have increased somatic sensitivity and report more positive complaints on review-of-systems questionnaires (ROSQs). We evaluated if data-driven clustering and projection analysis could identify symptom phenotypes that could differentiate between patients with FS and ES. The dataset included all adult patients admitted from January 2006 to March 2020 for video-electroencephalography with available ROSQs (N = 877). Latent clusters and axes of variation in ROSQ responses were evaluated using multiple well-established methods. Leave-one-out cross-validation was used to evaluate if logistic regression using information could differentiate patients with FS from ES. When evaluating individual symptom response and proportion of positive responses, the area under the receiver operating curve (AUC) was 62% (95% CI, 53%-69%) and 72% (CI, 65%-78%), respectively. The best AUC achieved by phenotyping methods was 74%. The patterns of clusters and components reflected properties of each analysis and did not correlate with assigned "system" from the ROSQ or other interpretations. The overall proportion of positive responses was the most informative metric to differentiate patients with FS compared to ES. While both FS and ES are heterogeneous populations with multiple subgroups, these subgroups were not meaningfully identified based on ROSQ symptoms. The limited overall predictive accuracy and AUC suggests that, in absence of other supporting data, ROSQ responses in patients with FS and ES were not clinically useful for screening.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».