MétaCan
Menu
← Retour à la cohorte
Enregistrement W4405805941 · doi:10.1212/wnl.0000000000210234

Accuracy of a Rapid-Response EEG's Automated Seizure-Burden Estimator

2024· article· en· W4405805941 sur OpenAlexaff
Zubeda Sheikh, Monica B. Dhakar, Michael Fong, Wei Fang, Neishay Ayub, Janine Molino, Hiba A. Haider, Brandon Foreman, Emily J. Gilmore, Moshe Mizrahi, Ioannis Karakis, Sarah E. Schmitt, Gamaleldin Osman, Ji Yeoun Yoo, Lawrence J. Hirsch

Notice bibliographique

RevueNeurology · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueEpilepsy research and treatment
Établissements canadiensXenon Pharmaceuticals (Canada)
Organismes subventionnairesnon disponible
Mots-clésElectroencephalographyEstimatorEpilepsyMedicineAudiologyComputer sciencePsychologyArtificial intelligencePattern recognition (psychology)NeuroscienceStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND AND OBJECTIVES: The use of rapid response EEG (rr-EEG) has recently expanded in limited-resource settings and as a supplement to conventional EEG to rapidly detect and treat nonconvulsive status epilepticus. The study objective was to test the accuracy of an rr-EEG's automated seizure burden estimator (ASBE). METHODS: This is a retrospective observational study using multiple blinded reviewers. All consecutive clinical rr-EEG procedures performed between November 2019 and February 2021 at Yale New Haven Hospital, one affiliated community hospital, and one affiliated inner-city regional hospital were included. Three reviewers blindly reviewed each EEG. The reference standard was 2/3 agreement. The co-primary outcome measures were the negative predictive value (NPV) of the ASBE for the detection of electrographic status epilepticus (ESE) or possible ESE (ESE/pESE) (to be used as a screening method to exclude ESE without the need for urgent expert review) and the positive predictive value (PPV, to be used for immediate treatment without requiring urgent expert review). These were assessed using a variety of seizure burden cutoffs determined by the algorithm (>1%, >10%, >20%, >50%, and >90%). RESULTS: In the first 2 hours, a >10% burden cutoff detected 86% (95% CI 42%-100%) of studies with ESE alone and 88% (68%-97%) with ESE/pESE; this >10% cutoff had a NPV of 99% (97%-100%) for ESE and 98% (95%-100%) for ESE/pESE. The specificity at this threshold was 79% (73%-84%) for ESE and 84% (79%-89%) for ESE/pESE, but the PPV was low at 11% (4%-23%) for ESE and 39% (26%-53%) for ESE/pESE. A >90% burden cutoff was 97% (94%-99%) specific for detecting ESE (PPV 33% [7%-70%]) and 99% (97%-100%) specific for detecting ESE/pESE [PPV 78% (40%-97%)], although the sensitivity dropped significantly to 29% (13%-51%) for ESE/pESE and 43% (10%-82%) for ESE at the >90% threshold. DISCUSSION: The ASBE has high specificity at >90% seizure burden threshold for detecting ESE and ESE/pESE, with good PPV for ESE/pESE, though with only low-to-moderate sensitivity; at this threshold, it can be used to help triage patients for immediate treatment/transfer, urgent expert review, and additional CEEG. A >10% threshold has a high sensitivity, detecting approximately 85% of patients with ESE; at this lower cutoff, it can be used as a screening tool to exclude ESE with >95% NPV. CLASSIFICATION OF EVIDENCE: This study provides Class II evidence that ASBE software can reliably exclude ESE (98% negative predictive value using a <10% burden cutoff) without expert review in most patients requiring rapid response EEG.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,027
score de la tête « metaresearch » (Gemma)0,120
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,027
Score d'incertitude au seuil0,142

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0270,120
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,347
Écart entre enseignants0,327 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNeurology→Même sujetEpilepsy research and treatment→Travaux en français237 207→