P.017 Worldwide neurologist survey on management of autoimmune encephalitis
Notice bibliographique
Résumé
Background: Diagnosis of autoimmune encephalitis (AE) is complicated by issues with sensitivity/specificity of antibody testing, non-specific MRI/EEG/CSF findings, and competing differential diagnoses. We explored practice differences in AE diagnosis and management. Methods: We utilized a worldwide electronic survey with practice-related demographic questions, and clinical questions about 2 cases: (1) a 20-year-old woman with a neuropsychiatric presentation strongly suspicious of AE, (2) a 40-year-old man with new temporal lobe seizures and cognitive impairment. Responses among different groups were compared using multi-variable logistic regression. Results: We received 1,333 responses from 94 countries; 12.0% identified as neuro-immunologists. Case 1: Those treating >5 AE cases/year were more likely to send antibodies in both serum and CSF (aOR vs 0/year: 3.29,95%CI 1.31-8.28,p=0.011), pursue empiric immunotherapy (aOR:2.42,1.33-4.40,p=0.004), and continue immunotherapy despite no response and negative antibodies at 2-weeks (aOR:1.65,1.02-2.69,p=0.043). Case 2: Neuro-immunologists were more likely to send antibodies in both serum and CSF (aOR:1.80,1.12-2.90,p=0.015). Those seeing >5 AE cases/year (aOR:1.86,1.22-2.86,p=0.004) were more likely to start immunotherapy without waiting for antibody results. Conclusions: Our findings highlight the heterogenous management of AE. Neuroimmunologists and those treating more AE cases generally take a more proactive approach to testing and immunotherapy than peers. Results emphasize the need for higher-quality treatment/outcome data and evidence-based guidelines.
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 | 0,009 |
| 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 | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».