Automated assessment of <scp>EEG</scp> background for neurodevelopmental prediction in neonatal encephalopathy
Notice bibliographique
Résumé
OBJECTIVE: Assess the capacity of brain state of the newborn (BSN) to predict neurodevelopment outcomes in neonatal encephalopathy. METHODS: Trends of BSN, a deep learning-based measure translating EEG background to a continuous trend, were studied from a three-channel montage long-term EEG monitoring from a prospective cohort of 92 infants with neonatal encephalopathy and neurodevelopmental outcomes assessed by Bayley Scales of Infant Development, 3rd edition (Bayley-III) at 18 months. Outcome prediction used categories "Severe impairment" (Bayley-III composite score ≤70 or death) or "Any impairment" (score ≤85 or death). RESULTS: "Severe impairment" was predicted best for motor outcomes (24 h area under the curve (AUC) = 0.97), followed by cognitive (36 h AUC = 0.90), overall (24 h AUC = 0.84), and language (24 h AUC = 0.82). "Any impairment" was best predicted for motor outcomes (12 h AUC = 0.95), followed by cognitive (24 h AUC = 0.85), overall (12 h AUC = 0.75), and language (12 and 24 h AUC = 0.68). Optimal BSN cutoffs for outcome predictions evolved with the postnatal age. Low BSN scores reached a 100% positive prediction of poor outcomes at 24 h of age. INTERPRETATION: BSN is an excellent predictor of adverse neurodevelopmental outcomes in survivors of neonatal encephalopathy after therapeutic hypothermia, even at 24 h of life. The trend provides a fully automated, objective, quantified, and reliable interpretation of EEG background. The high temporal resolution supports continuous bedside brain assessment and early prognostication during the initial dynamic recovery phase.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».