Treatment Outcomes and MRI Features of SUNA: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Abstract Background Trigeminal autonomic cephalalgias (TACs), including short-lasting unilateral neuralgiform headache attacks with cranial autonomic symptoms (SUNA), are rare but debilitating headaches. The pathophysiology and optimal treatment of SUNA remain poorly defined, compounded by disparities in healthcare access. Objectives To systematically review and analyze the effectiveness of treatment options, clinical outcomes, and brain MRI findings for SUNA, and to identify gaps in the current evidence base. Methodology Following PRISMA guidelines, a systematic search was performed across multiple databases. Data from 20 studies were analyzed, focusing on treatment efficacy, patient demographics, and MRI findings. Meta-analyses were conducted on treatment effectiveness, and bias was assessed using the Newcastle-Ottawa Scale. Results Among 267 patients, the most commonly used treatments were lamotrigine (37.07%) and greater occipital nerve (GON) block (16.85%), showing effectiveness in over 50% of cases. Heterogeneity in lamotrigine effectiveness was high (Cochran’s Q = 63.10, p-value < 0.0001, α = 0.05). Lidocaine was effective for acute attacks (> 80%). Brain MRIs were mostly unremarkable, with some evidence suggesting neurovascular involvement. Conclusion Lamotrigine and GON block are effective for SUNA, though treatment responses vary widely. MRI findings often lack abnormalities, suggesting a need for further research into the pathophysiology of SUNA. Larger, high-quality studies are needed to establish standardized treatment protocols and improve patient outcomes.
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 | 0,011 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,034 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 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 ».