Electroencephalography (EEG) for Neurological Prognostication in Post-Anoxic Coma Following Cardiac Arrest and Its Relationship to Outcome
Notice bibliographique
Résumé
BACKGROUND/OBJECTIVES: Cardiac arrest may cause significant hypoxic-ischemic injury leading to coma, seizures, myoclonic jerks, or status epilepticus. Mortality is high, but accurate prognostication is challenging. A multimodal approach is employed, in which electroencephalography (EEG) forms a key part with several recognised patterns of prognostic significance. METHODS: In this retrospective study, clinical and qualitative features of the EEG of patients admitted to the Intensive Care Unit (ICU) at Kingston General Hospital following cardiac arrest from 2017 to 2020 were reviewed. The study included 81 adult patients (≥18 years). Outcome was assessed using the Cerebral Performance Category (CPC) as 1-2 (favourable) or 3-5 (unfavourable). EEG patterns were divided into groups within the highly malignant, malignant and benign patterns described in the literature. RESULTS: There were a wide range of causes and 22% had a favourable outcome. Highly malignant, malignant and benign patterns were associated with survival in 0%, 70% and 100%, respectively, and favourable outcomes in 0%, 48% and 100%. All patients with seizures died, and 94% with myoclonus had unfavourable outcomes. In contrast, EEG reactivity and improvement on follow-up EEG were associated with a favourable outcome. CONCLUSIONS: Highly malignant EEG, seizures and myoclonus were associated with unfavourable outcomes, while patients with malignant EEG had better 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 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 | 0,002 |
| 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 ».