EEG and MRI Abnormalities in Patients With Psychogenic Nonepileptic Seizures
Notice bibliographique
Résumé
OBJECTIVE: To compare the rate of EEG and MRI abnormalities in psychogenic nonepileptic seizures (PNES) patients with and without suspected epilepsy. Patients were also compared in terms of their demographic and clinical profiles. METHODS: A retrospective analysis of 271 newly diagnosed PNES patients admitted to the epilepsy monitoring unit between May 2000 and April 2008, with follow-up clinical data collected until September 2015. RESULTS: One hundred ninety-four patients were determined to have PNES alone, 16 PNES plus possible epilepsy, 14 PNES plus probable epilepsy, and 47 PNES plus confirmed epilepsy. Fifty-seven of the 77 patients (74.0%) with possible, probable, or definite epilepsy exhibited epileptiform activity on EEG, versus only 16 of the 194 patients (8.2%) in whom epilepsy was excluded. Twenty-four of these 194 patients (12.4%) had MRI abnormalities. Three of 38 patients (7.9%) with both EEG and MRI abnormalities were confirmed not to have epilepsy. In PNES patients with EEG or MRI abnormalities compared with those without, patients with abnormalities were more likely to have epilepsy risk factors, such as central nervous system structural abnormalities, and less likely to report minor head trauma. The presence of EEG abnormalities in PNES-only patients did not influence antiseizure medication reduction, whereas those with MRI abnormalities were less likely to have their antiseizure medications reduced. CONCLUSIONS: Psychogenic nonepileptic seizure patients without MRI or EEG abnormalities are less likely to have associated epilepsy, risk factors for epilepsy, and had different demographic profiles. There is a higher-than-expected level of EEG and MRI abnormalities in PNES patients without epilepsy.
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 ».