Survey of electroencephalography usage and techniques for dogs
Notice bibliographique
Résumé
Background: Canine epilepsy is a chronic common neurologic condition where seizures may be underreported. Electroencephalography (EEG) is the patient-side test providing an objective diagnostic criterion for seizures and epilepsy. Despite this, EEG is thought to be rarely used in veterinary neurology. Objectives: This survey study aims to better understand the current canine EEG usage and techniques and barriers in veterinary neurology. Methods: The online Qualtrics link was distributed via listserv to members of the American College of Veterinary Internal Medicine (ACVIM) Neurology Specialty and the European College of Veterinary Neurology (ECVN), reaching at least 517 veterinary neurology specialists and trainees worldwide. Results: The survey received a 35% response rate, for a total of 180 participant responses. Fewer than 50% of veterinary neurologists are currently performing EEG and it is performed infrequently. The most common indication was to determine a discrete event diagnosis. Other reasons included monitoring treatment, determining brain death, identifying the type of seizure or epilepsy, localizing foci, sleep disorders, for research purposes, and post-op brain surgery monitorization. Most respondents interpreted their own EEGs. Clinical barriers to the performance of EEG in dogs were mainly equipment availability, insufficient cases, and financial costs to clients. Conclusion: This survey provides an update on EEG usage and techniques for dogs, identifying commonalities of technique and areas for development as a potential basis for harmonization of canine EEG techniques. A validated and standardized canine EEG protocol is hoped to improve the diagnosis and treatment of canine 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».