COVID-19-Induced Seizures: A Meta-Analysis of Case Series and Retrospective Cohorts
Notice bibliographique
Résumé
The adverse events and complications of coronavirus disease 2019 (COVID-19) continue to challenge the medical profession despite the worldwide vaccination against the severe acute respiratory coronavirus 2 (SARS-CoV-2), the causative agent of COVID-19. Other than typical respiratory manifestations, COVID-19 also presents a wide range of neurological manifestations. This article underlines the pooled incidence of COVID-19-induced seizures in patients with epilepsy and without epilepsy. Following Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) protocols, we conducted a bibliographical search, and an initial search revealed 1,375 articles. In total, 21 articles were included in the final analysis by following the inclusion criteria. A total of 11,526 patients from 21 published articles that met the predetermined search criteria were included. The median age of the patients was 61.9 years, of whom 51.5% were males. A total of 255 patients presented with seizures as the first manifestation of COVID-19 with a prevalence of 2.2% (95% confidence interval = 0.05-0.24, p < 0.01) (I2 = 97%), of which 71 patients had previously been diagnosed with epilepsy. Among patients with epilepsy, 49 patients had seizures as an initial presentation of SARA-CoV-2 with an incidence of 72% (0.54-0.85, p = 0.1) (I2 = 34). Although the incidence of COVID-19-induced seizures is not high compared to other neurological manifestations, seizure incidence in epileptic patients with COVID-19 is remarkably high. New-onset seizures in any patient should be considered a presentation of COVID-19 in the absence of other causative factors.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,004 |
| Bibliométrie | 0,001 | 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) | 0,005 | 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 ».