Paroxysmal Slow Wave Events as a diagnostic and predictive biomarker for post-traumatic epilepsy
Notice bibliographique
Résumé
Abstract Traumatic brain injury (TBI) is a major global health concern, affecting more than 40 million people annually. While most cases are mild and present with light symptoms, repeated mild injuries can result in delayed brain pathologies, including cognitive decline, neuropsychiatric complications, and post-traumatic epilepsy (PTE). PTE refers to recurring, unprovoked seizures occurring at least one week after TBI. While the link between moderate to severe TBI and PTE is well established, the epileptogenesis after repetitive mild TBI (rmTBI) is seldom studied. Currently, there are no biomarkers to identify those at risk of developing PTE, and its diagnosis is challenging. Here, we used a rat model to study PTE following rmTBI and assessed human EEG data to identify potential biomarkers for PTE. We employed a closed head TBI model to induce rmTBI, and recorded brain activity using electrocorticography (ECoG) between 2- and 6-months post-injury. Behavioral assessments and post-mortem analysis were also conducted. In humans, we analyzed EEG recordings from the Temple University database to investigate the potential of EEG-derived features for diagnosing PTE. At 6 months post injury, 70% of rmTBI animals developed PTE, compared to 22% in the control group (P=0.01). While neurological assessments following injury did not predict PTE, paroxysmal slow wave events (PSWEs) were found to be a reliable biomarker for PTE prediction. In humans, the percentage time in PSWEs was significantly elevated in PTE patients with epileptiform activity. In conclusion, we suggest PSWEs as a non-invasive, cost-effective biomarker for PTE in rodents and human patients.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».